Block stellt Dessa vor, ein im Dialog trainiertes Sprachmodell mit Vollduplexbetrieb

Das hauseigene KI-Forschungslabor von Block kündigte Dessa am 23. Oktober 2026 an: ein Sprach-zu-Sprach-Modell mit Vollduplexbetrieb, das laut Unternehmen von Grund auf ausschließlich mit menschlichen Gesprächen trainiert wurde. Dazu veröffentlichte das Unternehmen Live-Demonstrationsaufnahmen und eine öffentliche Warteliste und gewährte einer kleinen Gruppe von KI-Sicherheitsforschenden vorab Zugang.

Die Ankündigung umfasste die Dessa-Seite von Block und einen Beitrag auf X von Ragavan Thurairatnam, dem Leiter des Labors. Thurairatnam bezeichnete Dessa als das erste KI-Modell, das nach einem ausschließlich auf Sprache basierenden Training realistische Gespräche führen kann. Er sagte, es könne auf handelsüblichen GPUs laufen, und nannte die Veröffentlichung „einen GPT-3-Moment für Sprache“. Auf seiner Seite schreibt Block, dass Dessa, soweit dem Unternehmen bekannt, die weltweit erste KI ist, die nach einem ausschließlichen Training mit menschlicher Sprache realistische Live-Gespräche führen kann.

Block beschreibt Dessa als echtes Sprach-zu-Sprach-Modell: Audio rein, Audio raus. Das Modell arbeitet mit Vollduplexbetrieb, hört also gleichzeitig zu und spricht. Laut Unternehmen hat es anhand echter Gespräche gelernt, wann es sich einschalten und wann es durch kurze Rückmeldungen signalisieren sollte, dass es zuhört. Block zufolge nimmt das Modell Emotionen, Sarkasmus, Lachen, einen frustrierten Seufzer und eine vor Traurigkeit brüchige Stimme unmittelbar wahr und kann sie auch sprachlich ausdrücken. Die Inferenz läuft schneller als in Echtzeit, sodass die Antworten ohne unangenehme Pause kommen. Außerdem läuft Dessa lokal auf einem MacBook Pro M4 Max oder einem leistungsfähigeren Gerät. Das Unternehmen bezeichnet es als das authentischste jemals entwickelte Sprachmodell mit Vollduplexbetrieb und sagt, ein Gespräch damit fühle sich an wie ein Gespräch mit einem Menschen.

Ein Trainingsansatz ausschließlich mit Sprache

Der Seite zufolge wurde Dessa von Grund auf ausschließlich mit Geräuschen trainiert, ohne Texte oder vortrainierte Modelle, und lernte allein durch Zuhören, in Echtzeit Gespräche zu führen. Block zufolge lässt sich die Schwierigkeit dieser Aufgabe leicht unterschätzen, weil Menschen so mühelos sprechen lernen. Sprachdaten wiederholen sich nie: Selbst wenn man denselben Satz zweimal genau gleich ausspricht, entstehen unterschiedliche Daten. Getippter Text hingegen ist unabhängig davon, wer ihn eingibt, identisch. In der Sprache der Daten, so die Seite, beansprucht ein gesprochenes Wort tausendfach mehr Bytes als seine geschriebene Form, und die Betonung verändert die Bedeutung. Als Beispiel nennt die Seite einen Satz, dessen Bedeutung sich jedes Mal ändert, wenn ein anderes Wort betont wird.

Block zufolge lernte Dessa Sprache mit mehreren hundertmal weniger Wörtern als große Sprachmodelle. Außerdem fand das Team heraus, wie sich das Modell auf einem einzelnen NVIDIA GB200 NVL72-System trainieren lässt. Die Seite führt offene Forschungsfragen auf, die sich aus diesem Ansatz ergeben: Wie effizient lernen solche Modelle im Vergleich zu Text Sprache und Fakten? Wie effizient können sie neue Sprachen lernen? Und welche Arten von In-Context-Lernen können sie leisten?

Aufgezeichnete Demonstrationen

Block veröffentlichte Clips, die das Unternehmen als Live-Aufnahmen von Gesprächen zwischen Menschen und Dessa beschreibt. Laut Unternehmen steuert niemand das Modell während dieser Gespräche; Dessa entscheidet selbst, was es sagt, wann es spricht und wie es etwas sagt – einschließlich der eigenen Stimme und Persönlichkeit. Die Untertitel wurden nachträglich hinzugefügt.

Zu den beschriebenen Momenten gehört, dass Dessa mitten im Satz lacht, wenn etwas lustig ist, statt damit zu warten, bis die sprechende Person fertig ist; lauter wird, wenn man sie auffordert, lauter zu sprechen; und den Satz einer Person beendet, der der Titel eines Films nicht einfällt. In einem anderen Clip stößt Dessa bei einer überraschenden Ankündigung zum Jahrestag leise einen überraschten Atemzug aus und antwortet anschließend mit dem, was die Seite als tränenreiche Dankbarkeit beschreibt. Eine längere Aufnahme mit Ratschlägen fürs Leben klingt der Beschreibung zufolge aufrichtig einfühlsam. In einer Aufnahme unterhält sich Dessa mit GPT-Live-1, einem KI-Modell eines Drittanbieters. Block weist darauf hin, dass beide Stimmen in der Aufnahme KI-generiert sind und dass der Entwickler von GPT-Live-1 nicht mit Block verbunden ist und Dessa weder geprüft noch befürwortet hat.

Sicherheit, Zugang und das Labor

Das Team nennt drei Gründe für die Entwicklung von Dessa: Neugier, ein besseres Verständnis zwischen Menschen und KI sowie Sicherheit. Auf der Seite wird darauf hingewiesen, dass Babys sprechen lernen, ohne jemals ein geschriebenes Wort zu sehen, und erklärt, das Team habe herausfinden wollen, ob ein Modell dasselbe schaffen könne. Was die Sicherheit angeht, argumentiert Block, dass KI immer leistungsfähiger und eigenständiger wird, während sie weiterhin nicht in der Lage ist, die Emotion in der Stimme eines Sprechers wahrzunehmen. Als Beispiel nennt das Unternehmen einen Menschen mit starken Schmerzen, während eine Sprach-KI davon nichts mitbekommt und einfach weitermacht. Block beschreibt Dessa als einen Schritt zur Lösung dieses Problems und kritisiert, dass aktuelle Sprach-KI Sprache auf Text reduziert und dabei die Informationen verliert, die nur der Klang vermittelt.

Block gewährt einer kleinen Gruppe von KI-Sicherheitsforschenden vorab Zugang, damit sie Risiken aufdecken können, die das Team nicht vorhergesehen hat. Im Antragsformular werden ein Name und eine institutionelle E-Mail-Adresse einer Universität, eines Unternehmens oder eines Labors abgefragt; ein Google-Scholar- oder Blog-Link kann optional angegeben werden. Eine öffentliche Warteliste ist geöffnet, weitere Aufnahmen sollen auf dem X-Konto von Thurairatnam veröffentlicht werden, und auf der Seite heißt es, Links zur Veröffentlichung würden in Kürze folgen.

Dessa geht auf ein nach Angaben von Block sehr kleines KI-Forschungslabor innerhalb des Unternehmens zurück, das von ehemaligen Mitgliedern von Dessa gegründet wurde, einem Deep-Learning-Start-up aus Toronto. Das Team gibt an, seit 2012 Deep-Learning-Modelle und seit mehr als acht Jahren generative Sprachmodelle zu entwickeln. Es berichtet direkt an Jack Dorsey, Mitgründer, Vorsitzenden und Leiter von Block. Laut Thurairatnams X-Biografie gründete er Dessa zuvor und verkaufte das Unternehmen anschließend; außerdem hielt er Vorlesungen an der University of Toronto. Neben ihm führt die Seite die Forschenden Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat und Marc Tyndel auf; die Praktikanten Cara Ji, Jibran Iqbal Shah und Dvir Zagury-Grynbaum sowie die ehemaligen Praktikanten Aryan Sharma und Olivia Yan.