Block stellt Sprach-KI Dessa vor: nur aus Gesprächen gelernt, ganz ohne Text

Worum es geht

Block, das Unternehmen von Twitter-Mitgründer Jack Dorsey (u. a. Betreiber von Square), hat mit Dessa ein experimentelles Sprachmodell vorgestellt. Es wurde laut Hersteller komplett aus Aufnahmen menschlicher Gespräche trainiert – ohne geschriebenen Text und ohne vortrainierte Modelle. Dessa ist bisher nur in Demos zu sehen und nicht öffentlich nutzbar.

„Wir haben Dessa von Grund auf mit nichts als menschlicher Unterhaltung trainiert. Klänge! Kein Text, keine vortrainierten Modelle. Es hat gelernt, ein Echtzeitgespräch zu führen, einfach indem es zuhörte.“

Wie Dessa funktioniert

Übliche Sprachassistenten arbeiten in drei Schritten: Sprache wird in Text umgewandelt, ein Sprachmodell schreibt eine Textantwort, und diese wird wieder vorgelesen. Block kritisiert, dass dabei viel verloren geht – Betonung, Lachen, Atmen, Pausen, Sarkasmus, Gefühlslage. Dessa ist dagegen ein Speech-to-Speech-Modell: Es nimmt Audio auf und erzeugt direkt Audio.

Zudem ist es Full-Duplex. Das heißt: Es kann gleichzeitig zuhören und sprechen, so wie Menschen am Telefon. Dadurch kann es laut Block erkennen, wann ein Einwurf passt, Rückmelde-Laute wie „yeah!“ oder „got it!“ einstreuen, mitten im Satz lachen, wenn etwas lustig ist, die Lautstärke auf Bitte anpassen und je nach Gespräch anders klingen. Block betont, dass die Gefühlsausdrücke fest im Modell stecken und nicht über Steuer-Tags (Textmarker für Emotionen) gelenkt werden. Ob intern doch etwas Ähnliches verwendet wird, ist laut IBTimes unklar.

Training und Hardware

Block sagt, Dessa habe Sprache aus hunderte Male weniger Wörtern gelernt, als große Textmodelle üblicherweise brauchen. Einen Benchmark oder eine Vergleichsmethode nennt die Ankündigung nicht. Das Training lief demnach auf einem einzigen NVIDIA GB200 NVL72 – einem Rack mit 72 GPUs. Inferenz soll lokal auf einem MacBook Pro mit M4 Max oder besser möglich sein, ohne Cloud. Das Team begründet das Projekt mit einem Vergleich:

„Babys lernen sprechen, ohne je ein geschriebenes Wort zu sehen. Wir wollten wissen, ob ein Modell das auch kann. Es kann. Es ist nur sehr schwer.“

Die Demos

Block zeigt Beispiele mit wechselnden Stimmen, Sprechweisen und Gefühlslagen. In einem Gespräch sagt Dessa, es sei von der Arbeit müde – und klingt auch so. Ein Beispiel zeigt eine Art Gefühlsausbruch kurz vor dem Weinen. Weitere Clips zeigen Gespräche über Filme, Ratespiele und ein Gespräch mit OpenAIs Sprachmodell GPT Live 1, präsentiert vom Projektleiter Ragavan Thurairatnam. Laut Cryptobriefing zeigen manche Demos auch Schwächen: Das Modell verwechselt Sprecher oder wechselt unvermittelt das Thema.

Team, Sicherheit und Geschäftsbezug

Das kleine Forschungsteam bei Block wird von Thurairatnam geleitet; Mitglieder arbeiteten zuvor beim Toronto-KI-Startup Dessa und berichten direkt an Dorsey. Block gibt zunächst einer kleinen Gruppe von KI-Sicherheitsforschern Zugang, um unerwartete Risiken zu finden. Mögliche Probleme laut TechRepublic: Ein Modell, das Kummer oder Mitgefühl überzeugend imitiert, erschwert die Unterscheidung von echter menschlicher Kommunikation; realistischere Stimmen könnten Betrugsanrufe glaubwürdiger machen. Dass natürliche Sprache erzeugt wird, belegt aber nicht, dass sich bestimmte Personen klonen lassen.

Für Block ist ein lokal laufendes Sprachmodell auch wirtschaftlich interessant: Square bietet bereits KI-Sprachbestellungen an, und lokale Ausführung könnte teure Cloud-Inferenz sparen. Ob Dessa dort eingesetzt wird, ist laut TechRepublic nicht belegt. Zudem wäre lokal laufende Sprachverarbeitung nicht automatisch offline oder privat, wenn Bestell-, Kunden- und Zahlungssysteme angebunden sind.

Einordnung

Dessa ist technisch spannend, weil es zeigt, dass Gesprächsfähigkeit womöglich auch ohne Textvortraining entstehen kann – aber das ist bislang Herstellerbehauptung auf Basis ausgewählter Demos. Es fehlen unabhängige Tests, Benchmarks, Gewichte, Preise und ein Veröffentlichungstermin. Für Unternehmen ist es derzeit eine Forschungsentwicklung, keine Kaufoption; sie sollten Tests mit Hintergrundlärm, Akzenten, falschen Antworten und Übergabe an Menschen abwarten. Offen sind auch Reaktionszeiten bei Dauerbetrieb und Gesamtkosten.