Block เปิดตัว Dessa โมเดลสนทนาเสียงแบบ full-duplex ที่เทรนจากเสียงพูดของคนล้วนๆ ไม่ใช้ข้อความหรือโมเดล pretrained เลย — เคลมรันบน MacBook Pro M4 Max ได้, เทรนบน GB200 NVL72 ชุดเดียว แต่ยังไม่มีให้ดาวน์โหลด ไม่มีขนาดโมเดล ไม่มี benchmark

ทีมวิจัย AI ขนาดเล็กใน Block (บริษัทของ Jack Dorsey ที่เป็นเจ้าของ Square และ Cash App) เปิดตัว Dessa โมเดลสนทนาเสียงที่ทีมเรียกว่า “the world’s first AI you can have a realistic live conversation with that was trained only from human speech” หน้าประกาศเริ่มเป็นที่พูดถึงในวงกว้างเมื่อ 23 ต.ค. 2026 (หน้าเว็บไม่ได้ระบุวันที่เผยแพร่) จุดต่างจาก voice AI แทบทุกตัวในตลาดคือ Dessa ไม่ได้แปลงเสียงเป็นข้อความเลย ทีมเขียนว่า “We trained Dessa from scratch on nothing but human conversation. Sounds! No text, no pretrained models.”

ทีมเคลมว่าโมเดล รันในเครื่องได้บน MacBook Pro M4 Max ขึ้นไป และ inference เร็วกว่า real time แต่ปุ่ม Download บนหน้าเว็บตอนนี้แสดงเพียง “Download coming soon.” สิ่งที่ใช้ได้จริงตอนนี้จึงมีแค่คลิปเดโมกับ waitlist

สิ่งที่ Dessa ทำได้ (ตามที่ทีมเคลม)

• Speech-to-speech แท้และ full-duplex ฟังและพูดได้พร้อมกัน รู้จังหวะที่ควรพูดแทรก และส่งเสียงตอบรับ (backchannel) เช่น “yeah!” หรือ “got it!” ระหว่างที่อีกฝ่ายยังพูดอยู่
• รับรู้อารมณ์จากน้ำเสียงโดยตรง เช่น ประชด หัวเราะ ถอนหายใจ หรือเสียงสั่น ซึ่งข้อมูลเหล่านี้หายไปเมื่อแปลงเสียงเป็นข้อความ ในคลิปเดโมโมเดลหัวเราะกลางประโยค พูดดังขึ้นเมื่อถูกขอ (ทีมบอกว่า “Nobody taught it that”) และช่วยต่อประโยคเมื่อผู้ใช้นึกชื่อหนังไม่ออก
• เรียนภาษาด้วยคำที่น้อยกว่า LLM หลายร้อยเท่า ทีมเขียนว่า Dessa “learned language from hundreds of times fewer words” และยอมรับว่าเทียบตรงๆ ไม่ได้เพราะ LLM ต้องเรียนเขียนโค้ดด้วย
• เทรนบน NVIDIA GB200 NVL72 เพียงชุดเดียว

มีคลิปหนึ่งที่ให้ Dessa คุยกับ GPT-Live-1 ของ OpenAI โดยหน้าเว็บระบุว่าผู้พัฒนา GPT-Live-1 ไม่เกี่ยวข้องและไม่ได้รับรอง Dessa

สิ่งที่ยังไม่มี

ประกาศนี้เป็นงานวิจัยที่โชว์ผลลัพธ์ ไม่ใช่การปล่อยโมเดล ตอนนี้ยัง ไม่มี:

• จำนวนพารามิเตอร์ สถาปัตยกรรม หรือ paper
• benchmark เทียบกับ Moshi, GPT-Live หรือ voice model ตัวอื่น ไม่มีตัวเลข latency ที่วัดได้
• ปริมาณและภาษาของข้อมูลเสียงที่ใช้เทรน รวมถึงแหล่งที่มาและการขอความยินยอม
• license และวันที่ปล่อยให้ดาวน์โหลด

ทีมเปิดรับ นักวิจัยด้านความปลอดภัย AI กลุ่มเล็กๆ ให้เข้าทดลองก่อน โดยให้เหตุผลว่าโมเดลที่เรียนพูดจากเสียงอย่างเดียว “is new territory” ทีมนี้นำโดย Ragavan Thurairatnam ประกอบด้วยอดีตสมาชิก Dessa สตาร์ทอัพ deep learning จากโตรอนโต และรายงานตรงต่อ Jack Dorsey

มุมมอง AI Curator

ไอเดียนี้น่าสนใจกว่าเดโมส่วนใหญ่ในปีนี้ เพราะท้าทายสมมติฐานหลักของวงการว่า voice AI ต้องมี LLM ที่เทรนจากข้อความเป็นแกน ถ้าโมเดลที่เรียนจากเสียงอย่างเดียวสนทนาได้เป็นธรรมชาติขนาดนี้ และเทรนได้บน rack เดียว ก็แปลว่าภาษาที่มีข้อความออนไลน์น้อยแต่มีคนพูดเยอะ เช่น ภาษาถิ่นไทย (อีสาน คำเมือง ปักษ์ใต้) หรือภาษาในอาเซียนที่ไม่ค่อยมีคนเขียน อาจได้ voice AI คุณภาพดีโดยไม่ต้องรอให้มีข้อความออนไลน์มากพอ ทีมเองก็ตั้งคำถามนี้ไว้ว่า “How efficiently can they learn new languages?” ซึ่งยังไม่มีคำตอบ

แต่ต้องแยกให้ชัดว่าตอนนี้มีแค่คลิปที่ทีมเลือกมาโชว์ ไม่มีตัวเลขให้ตรวจสอบ และโมเดลที่รู้แค่สิ่งที่ “ได้ยิน” ยังมีคำถามเรื่องความถูกต้องของข้อเท็จจริงที่ใหญ่กว่า LLM ทั่วไป สำหรับนักพัฒนา สิ่งที่ควรรอดูคือวันที่ปุ่ม Download ใช้ได้จริง พร้อม license และขนาดโมเดล ถ้ารันบน Mac ได้จริงตามที่เคลม ก็จะเป็น voice agent แบบ local ตัวแรกที่ไม่ต้องต่อ ASR → LLM → TTS ซึ่งช่วยลดทั้ง latency และปัญหาการส่งเสียงผู้ใช้ออกไปนอกเครื่อง

แหล่งข่าว

• Block — Dessa: the Conversation Model trained only on speech
• AI Curator — Mistral Voxtral 3 และ Voice Agent SDK (21 ต.ค. 2026)