语音 AI 的主流路径一直是「先转写、再理解」，Block 的 Dessa 选择了一条更接近人类听觉的路线。
发生了什么
据 The Decoder 报道，Block（Square 与 Cash App 的母公司）推出了一款名为 Dessa 的语音模型。与常见的语音识别方案不同，Dessa 不把音频先转成文本再交给语言模型处理，而是直接对音频信号建模，训练数据全部来自人类语音。
它的目标不是「听清说了什么」，而是识别说话方式里的信息：情绪、讽刺语气，以及停顿。这些线索在转写成文字后几乎全部丢失。报道称 Dessa 可以实时运行，并且能在一台 MacBook Pro M4 Max 上本地跑起来。不过该模型目前并未公开发布，外界还无法直接调用或评测。
为什么重要
过去几年语音交互的进步，很大程度上是 ASR（语音识别）加 LLM 的组合：先把声音变成字，再让语言模型去理解。这条链路工程上成熟、可复用，但有一个结构性缺陷——转写是有损压缩。语调的上扬、句中的迟疑、反讽时那种刻意的平淡，一旦变成纯文本就不可恢复。模型只能从字面猜意图，猜错的成本在客服、销售、医疗问诊这类场景里并不低。
Dessa 的意义在于把「副语言信息」当作一等公民。它和文本模型不是替代关系，而是补上文本模型天生看不见的那一层。这也解释了为什么 Block 这样的支付与金融科技公司会做这件事：客服通话、争议处理、交易场景中的语气判断，都是它自身的业务腹地。
另一个值得注意的信号是本地运行。把语音模型放在笔记本上跑，意味着音频不必上传云端，对隐私敏感的场景（金融、医疗）是实质性差异，也顺应了端侧推理算力持续上行的趋势。
影响与看点
对开发者而言，Dessa 目前更像一个方向性示范而非可用工具：没有公开权重、没有 API、没有基准数据，无法判断它在真实噪声环境下的鲁棒性，也无法和现有语音情感识别方案做横向比较。真正需要观察的是三件事——它是否会以某种形式开放；本地运行的延迟与功耗表现如何；以及「直接建模音频」相比「ASR + 文本模型」在端到端任务上究竟能带来多少可量化的增益。
对行业来说，这条路线并不孤独，但把情绪与停顿作为核心卖点、并强调端侧实时，说明语音 AI 的竞争重心正在从「听得准」转向「听得懂」。
一个克制的判断：Dessa 短期内不会改变语音交互的格局，但它提示了一件被低估的事——我们花了很多力气让模型读懂文字，却很少让它们真正去听。
