Block stellt Dessa vor: Sprachmodell, das nur aus Gesprächen gelernt hat

Worum es geht

Am 23. Oktober 2026 hat das KI-Forschungslabor von Block (dem Unternehmen von Jack Dorsey) Dessa vorgestellt. Dessa ist ein sogenanntes Speech-to-Speech-Modell: Audio rein, Audio raus, ohne Umweg über Text. Es ist laut Block „von Grund auf nur mit menschlicher Konversation“ trainiert worden, also nur mit Klängen, ohne Text und ohne vortrainierte Modelle. Block nennt es das „authentischste Full-Duplex-Sprachmodell, das je gebaut wurde“. Projektleiter Ragavan Thurairatnam sprach auf X von einem „GPT-3-Moment für Sprache“. Veröffentlicht sind bislang Demo-Aufnahmen, eine öffentliche Warteliste und früher Zugang für eine kleine Gruppe von KI-Sicherheitsforschern; Startlinks sollen „bald“ folgen. Alle Aussagen stammen von Block selbst und sind nicht unabhängig geprüft.

Was Dessa können soll

Full-Duplex bedeutet, dass das Modell gleichzeitig zuhört und spricht, wie Menschen am Telefon. Dessa soll aus echten Gesprächen gelernt haben, wann es einhaken und wann es Rückmeldesignale („yeah!“, „got it!“, „ooh“) geben sollte. Es soll Emotionen, Sarkasmus, Lachen, einen frustrierten Seufzer oder eine brechende Stimme direkt hören und sprechen. Die Inferenz (das Erzeugen der Antworten) laufe schneller als in Echtzeit, es gebe also keine Wartepause, und das Modell laufe lokal auf einem MacBook Pro M4 Max oder besser.

Block kritisiert herkömmliche Sprach-KI: Sie wandle Stimme in Text um und verwerfe dabei viel Information, etwa wie jemand sich fühlt. Das führe zu steifen, langsamen Gesprächen.

Die Demos

Block zeigt Aufnahmen echter Gespräche, in denen laut Unternehmen niemand das Modell steuert; Untertitel wurden nachträglich ergänzt. Beschrieben werden unter anderem:

Dessa lacht mitten im Satz, wenn etwas lustig ist, statt erst nach dem Ende des Sprechers.
Es wird lauter, wenn man es bittet, lauter zu sprechen.
Es beendet den Satz, wenn der Gesprächspartner den Filmtitel vergisst.
Bei einer Überraschungsnachricht keucht es leise und antwortet mit etwas, das nach gerührter Dankbarkeit klingt.
Es gibt eine längere Aufnahme mit einfühlsamen Lebensratschlägen sowie ein Gespräch mit GPT-Live-1, einem Fremdmodell. Beide Stimmen sind KI-generiert; dessen Entwickler ist nicht mit Block verbunden und hat Dessa nicht geprüft.

Die Verge beschreibt die Gespräche als überwiegend natürlich im Wechsel, aber gelegentlich etwas ungelenk und unheimlich. Das Modell verwechselte den Sprecher anfangs mit einem „Ronaldo“ und schweifte bei einem Gespräch über Christopher Nolans Filme zu Bryan Singers Superman-Filmen ab. Im Gespräch mit GPT-Live-1 wirke Dessa natürlicher.

Warum Sprache so schwer ist

Block argumentiert, Sprachdaten seien viel schwieriger als Text. Ein gesprochenes Wort belegt tausendfach mehr Bytes als das geschriebene, und gesprochene Sätze wiederholen sich nie exakt: Derselbe Satz zweimal gleich gesagt ergibt trotzdem andere Daten. Betonung ändert die Bedeutung, wie Block mit dem Satz „I didn't say she stole my CUDA code“ zeigt. Dazu kommen Akzente, Pausen, Atmen, Humor und Timing.

Dessa habe Sprache aus Hunderte Male weniger Wörtern gelernt als große Sprachmodelle (LLMs), und das Team habe einen Weg gefunden, es auf einem einzigen NVIDIA GB200 NVL72 (einem Server-Rack-System) zu trainieren. Offene Forschungsfragen laut Block: Wie effizient lernen solche Modelle Sprache und Fakten im Vergleich zu Text, wie effizient neue Sprachen, und welches In-Context-Learning (Lernen aus Beispielen im Gespräch) beherrschen sie?

Motivation, Sicherheit und Team

Drei Gründe nennt das Team: Neugier, besseres Verständnis zwischen Mensch und KI sowie Sicherheit. Babys lernten sprechen, ohne je ein Wort geschrieben zu sehen. Zur Sicherheit: KI gewinne an Macht und Unabhängigkeit, höre aber kaum Emotionen heraus – etwa wenn jemand starke Schmerzen hat und die Sprach-KI es nicht bemerkt. Dessa sei ein Schritt dagegen. Eine kleine Gruppe von Sicherheitsforschern erhält Early Access, um unvorhergesehene Risiken zu finden; das Formular verlangt eine institutionelle E-Mail-Adresse.

Das Team ist ein kleines Labor bei Block, gegründet von früheren Mitgliedern des Toronto-Startups Dessa, das laut Block seit 2012 Deep-Learning-Modelle und seit über acht Jahren generative Sprachmodelle baut. Es berichtet direkt an Jack Dorsey. Thurairatnam hatte das Startup Dessa gegründet und verkauft.

Einordnung

Sollte es stimmen, wäre ein Sprachmodell ohne Text-Pretraining ein bemerkenswerter Ansatz, der Emotion und Timing direkt erfasst, statt sie über Text zu verlieren. Bislang gibt es aber weder Paper noch Gewichte, keine Benchmarks, keine Angaben zu Modellgröße, Sprachen oder Trainingsdaten. Die „Weltweit erste“-Aussage und die lokale Laufzeit sind Herstellerangaben, und die Demos sind ausgewählt. Auch die Behauptung, das Modell wisse viel „aus rohem Klang“, lässt sich bisher nicht überprüfen. Ob und wann es offen lauffähig wird, ist unklar – deshalb ist Dessa vorerst keine Open-Weights-Veröffentlichung. Auffällig ist der Vergleich mit OpenAIs GPT-Live-1, wobei dessen Entwickler ausdrücklich nicht beteiligt ist.