Block presenterar Dessa, en full duplex-talmodell tränad på samtal

Blocks interna AI-forskningslabb presenterade Dessa den 23 oktober 2026 – en full duplex-tal-till-tal-modell som enligt företaget tränats från grunden enbart på mänskliga samtal. I samband med lanseringen publicerade företaget inspelningar av livedemonstrationer och öppnade en offentlig väntelista samt erbjöd tidig åtkomst till en liten grupp AI-säkerhetsforskare.

Tillkännagivandet kombinerades med Blocks Dessa-sida och ett inlägg på X av Ragavan Thurairatnam, labbets chef. Thurairatnam beskrev Dessa som den första AI-modellen som kan föra ett realistiskt samtal efter att ha tränats enbart på tal, sade att den kan köras på konsumentgrafikkort och kallade lanseringen ”ett GPT3-ögonblick för tal”. På sin sida skriver Block att Dessa, såvitt företaget känner till, är världens första AI som kan föra ett realistiskt samtal i realtid efter att enbart ha tränats på mänskligt tal.

Block beskriver Dessa som en renodlad tal-till-tal-modell: ljud in, ljud ut. Den är full duplex, vilket innebär att den lyssnar och talar samtidigt, och enligt företaget har den lärt sig av verkliga samtal när den ska avbryta och när den ska ge återkopplingssignaler för att visa att den hänger med. Block säger att modellen både uppfattar och uttrycker känslor, sarkasm och skratt, liksom en frustrerad suck eller en röst som brister av sorg; att dess inferens går snabbare än realtid, så att svaren kommer utan en besvärande paus; och att Dessa körs lokalt på en MacBook Pro M4 Max eller bättre. Företaget kallar den den mest autentiska full duplex-talmodellen som någonsin byggts och säger att det känns som att prata med en människa.

En träningsmetod som enbart bygger på tal

Enligt sidan tränades Dessa från grunden enbart på ljud, utan text eller förtränade modeller, och lärde sig att samtala i realtid genom att bara lyssna. Block menar att det är lätt att underskatta hur svårt detta är, eftersom människor lär sig att prata så lätt. Taldata upprepar sig aldrig: även om man säger exakt samma mening två gånger på precis samma sätt blir dataunderlaget olika, medan skriven text är identisk oavsett vem som skriver den. Sidan uppger att ett talat ord tar upp tusentals gånger fler byte än den skrivna formen och att betoningen förändrar betydelsen; ett exempel på sidan visar en mening som får en annan betydelse varje gång ett nytt ord betonas.

Block säger att Dessa lärde sig språk med hundratals gånger färre ord än stora språkmodeller och att teamet kom fram till hur modellen kunde tränas på ett enda NVIDIA GB200 NVL72-system. På sidan listas de öppna forskningsfrågor som metoden väcker: hur effektivt sådana modeller lär sig språk och fakta jämfört med textbaserade modeller, hur effektivt de kan lära sig nya språk och vilka slags inlärning i kontext de kan utföra.

Inspelade demonstrationer

Block publicerade klipp som företaget beskriver som liveinspelningar av personer som pratar med Dessa. Enligt företaget styr ingen modellen under samtalen, utan Dessa väljer själv vad den ska säga, när den ska säga det och hur den ska säga det, även när det gäller dess egen röst och personlighet. Undertexterna lades till i efterhand.

Bland de situationer som beskrivs finns att Dessa skrattar mitt i en mening när något är roligt, i stället för att vänta tills talaren har pratat färdigt; höjer rösten när den blir ombedd att tala högre; och avslutar en persons mening när personen inte kommer på en filmtitel. I ett annat klipp drar Dessa efter andan vid beskedet om en överraskande årsdag och svarar sedan med vad sidan beskriver som tårfylld tacksamhet. En längre inspelning med livsråd beskrivs som genuint empatisk. I en inspelning samtalar Dessa med GPT-Live-1, en AI-modell från en extern part. Block påpekar att båda rösterna i inspelningen är AI-genererade och att utvecklaren av GPT-Live-1 inte är knuten till Block och varken har granskat eller ställt sig bakom Dessa.

Säkerhet, åtkomst och forskningslabbet

Teamet anger tre skäl till att de byggde Dessa: nyfikenhet, bättre förståelse mellan människor och AI samt säkerhet. På sidan påpekas att spädbarn lär sig prata utan att någonsin se ett skrivet ord, och teamet säger att det ville ta reda på om en modell kunde göra detsamma. När det gäller säkerhet menar Block att AI blir allt mäktigare och mer självständig, samtidigt som den fortfarande inte kan uppfatta känslorna i en talares röst. Som exempel nämner företaget en person med svåra smärtor som en röst-AI inte märker något av och därför fortsätter prata. Företaget beskriver Dessa som ett steg mot att lösa det problemet och kritiserar dagens röst-AI för att omvandla tal till text och därmed gå miste om information som bara ljudet förmedlar.

Block ger en liten grupp AI-säkerhetsforskare tidig åtkomst så att de kan upptäcka risker som teamet inte har förutsett. I ansökningsformuläret efterfrågas namn och en institutionell e-postadress från ett universitet, företag eller labb, och det går även att lämna en länk till Google Scholar eller en blogg. En offentlig väntelista är öppen, fler inspelningar ska delas på Thurairatnams X-konto och enligt sidan kommer länkar till lanseringen snart.

Dessa kommer från vad Block beskriver som ett mycket litet AI-forskningslabb inom företaget, grundat av tidigare medarbetare på Dessa, det Toronto-baserade startupbolaget inom djupinlärning. Teamet säger att det har byggt modeller för djupinlärning sedan 2012 och generativa talmodeller i mer än åtta år, och rapporterar direkt till Jack Dorsey, Blocks medgrundare, styrelseordförande och chef. I Thurairatnams X-biografi står det att han tidigare grundade och sålde Dessa och föreläste vid University of Toronto. Förutom honom listar sidan forskarna Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat och Marc Tyndel, praktikanterna Cara Ji, Jibran Iqbal Shah och Dvir Zagury-Grynbaum samt de tidigare praktikanterna Aryan Sharma och Olivia Yan.