BlockがリアルなAI音声モデル「Dessa」を公開
原題: Block’s new voice model sounds eerily human
なぜ重要か
テキスト不要の音声モデルが普及すれば、音声AIの体験品質と応答速度が大幅に向上し、ヘルスケアや接客などの分野に新たな応用が広がる可能性がある。
Jack DorseyのBlockは2026年10月23日、研究部門から開発したAI音声モデル「Dessa」を発表した。笑い声・間・泣き声など人間に近い表現が可能で、1枚のNVIDIA GPU上でローカル動作する。テキストを介さずに音声から音声を直接処理するfull-duplexアーキテクチャを採用し、同時に話しながら聞くことができる点が特徴だ。
Blockが公開したDessaは、完全に人間の会話データのみで学習させたfull-duplex音声モデルだ。full-duplexとは、送受信を同時に行う方式のことで、OpenAIが今年初頭にリリースしたGPT-Liveと同様のアプローチをとる。
従来の多くの音声AIは、音声をテキストに変換してからLLMで処理し、再び音声に戻すというパイプラインを採用している。ElevenLabs v4やFish Audio Drama 3のように、感情表現を「voice tag」で制御する製品も多い。Blockはこうした手法を「音声が持つ豊かな情報を大量に捨て去っている」と批判し、Dessaではテキスト変換を排除することで感情や抑揚を音声信号のまま扱えると主張する。
Block公式ブログには「現状の音声AIとのやり取りはひどい体験になりうる。世界最強のAIでさえ、あなたの感情を聞き取れない。これは馬鹿げており、体験を悪化させるだけでなく、潜在的に危険だ」と記されている。
研究者がXに投稿したデモ動画では、Dessaが「仕事で疲れた」と話す場面では実際に疲れたような声質になり、感情的なトピックでは声が震えるような表現も確認できる。また、Blockチームメンバーとの言葉当てゲームの様子も公開されており、自然な掛け合いが聞けると話題になっている。
モデルはコンシューマー向けGPU1枚でローカル動作するとされており、Blockの研究者はこれを「音声分野のGPT-3モーメント」と表現した。ただし、感情表現の制御に内部的なタグが使われていないかどうかは、現時点では明確にされていない。