Dessaはspeech-to-speech（音声入り・音声出し）のモデルで、full-duplex（全二重）設計のため、相手の声を聞きながら同時に話せます。ページの説明では、相づち（「yeah!」「got it!」など）や割り込みのタイミング、笑い、ため息、皮肉、抑揚を音声のままで扱います。学習にはNVIDIAのGB200 NVL72を1システムだけ使ったとされますが、パラメータ数、学習に使った音声の量、費用は公表されていません。
「音声入り、音声出し。Dessaは真のspeech-to-speechモデルで、知っていることはすべて人間の音声から来ています。全二重なので、あなたと同じように聞きながら話します。実会話から学んだので、いつ割り込み、いつ相づちを打つべきかを知っています。」
Audio in, audio out. Dessa is a true speech-to-speech model, and everything it knows came from human speech. It's full-duplex, so it listens and talks at the same time, like you do. It learned from real conversation, so it knows when to cut in and when to backchannel ("yeah!", "got it!", "ooh") to show it's with you.
従来型パイプライン
- 中間表現
- 音声認識でテキストへ
- 話者の交替
- 明示的なターン分割
- 感情・相づち
- テキスト化で失われがち
- 学習の起点
- テキスト言語モデルが中心
Dessa会社の説明
- 中間表現
- なし（音声のまま）
- 話者の交替
- 重なり・割り込みを扱う
- 感情・相づち
- 音声で扱うと説明
- 学習の起点
- 会話音声のみ（会社主張）
出典はKyutaiのMoshi論文（arXiv:2410.00037、2024年9月17日付。従来方式を音声検出・音声認識・テキスト対話・音声合成のパイプラインと説明）とBlock公式ページ。Dessaの列は会社の説明であり、第三者検証ではありません。
全二重の音声対話モデル自体は新しい概念ではありません。KyutaiのMoshiは2024年9月に、リアルタイムで全二重に対話できる音声大規模言語モデルとして発表されました。Moshiはテキスト言語モデルを基礎に、そこから音声トークンを生成する構成です。Dessaの主張する新規性は、その基礎に当たるテキストも事前学習済みモデルも使わず、会話音声だけから学習したという点にあります。ただしこれはBlockの自己申告であり、「知る限り世界初」という表現も会社側のものです。公式ページのデモはチームが選んだ録音で、GPT-Live-1という第三者モデルとの会話例もありますが、その開発者はBlockに所属せず内容をレビューしてもいません。独立した性能評価や速度・遅延の実測はまだありません。
チームの出自は特徴的です。BlockのDessaチームは、トロントの深層学習スタートアップDessa（2020年2月7日にSquareが買収）の出身メンバーが中心で、リードはRagavan Thurairatnam氏、Blockの共同創業者ジャック・ドーシー氏に直接報告するとしています。用途面では、感情や相づちへの応答が対話体験を左右する音声接客やアシスタントでの差別化が想定されますが、APIもSDKもライセンスも公開されておらず、現時点で外部の製品に組み込める状態にはありません。安全性研究者への早期アクセスで何が明らかになるかが、次の見どころです。
出典
- Dessa - the Conversation Model trained only on speech（Block）公開日記載なし（研究プレビュー、プライバシー通知は2026-10-21付け）。音声のみ・ゼロから学習（会社主張）、true speech-to-speech、full-duplex、相づち・割り込み・感情、GB200 NVL72 1システムでの学習、リアルタイムより速い推論、MacBook Pro M4 Max以上でのローカル実行、ウェイトリストと安全性研究者への早期アクセス、GPT-Live-1デモの但し書き、チーム出自（トロントのDessa出身、Dorsey直結）を本文で確認。2026-10-24確認。
- Welcoming the Dessa Team to Square（Square）2020-02-07付。トロントの機械学習企業Dessaの買収を本文で確認。2026-10-24確認。
- Moshi: a speech-text foundation model for real-time dialogue（arXiv:2410.00037）2024-09-17付（提出）。リアルタイム全二重音声対話モデルの先行例、従来パイプライン方式の限界の説明、テキスト言語モデルを基礎とする構成をアブストラクトで確認。2026-10-24確認。
- Jack Dorsey's Block made an AI model that talks to you like an awkward new friend（The Verge）2026-10-23 19:32 UTC付。独立報道。Dessa発表、録音デモの紹介、早期アクセス方針を本文で確認。2026-10-24確認。
出典の確認日 2026.10.24