Blocks Sprach-KI Dessa lernte das Sprechen ganz ohne Text

Block, das Unternehmen hinter Square und Cash App, hat Dessa vorgestellt, ein Sprach-KI-Modell, das nur mit Aufnahmen sprechender Menschen trainiert wurde, ganz ohne geschriebenen Text. Block veröffentlichte die Forschungsvorschau am 23. Oktober 2026 und sagt, das Modell laufe auf einem MacBook Pro. Wenn sich die Angaben bestätigen, deutet Dessa auf Sprachassistenten hin, die Tonfall und Emotion hören, statt ein Transkript zu lesen.

Eine öffentliche Version gibt es noch nicht. Block gibt zunächst einer kleinen Gruppe von KI-Sicherheitsforschern frühen Zugang, für alle anderen gibt es eine Warteliste, wie Blocks Dessa-Seite angibt.

Was Dessa von heutiger Sprach-KI unterscheidet

Die meisten Sprachassistenten arbeiten in Schritten. Sie wandeln Ihre Sprache in Text um, lassen ein Textmodell eine Antwort schreiben und lesen diese Antwort dann vor. Block argumentiert, dass diese Pipeline das meiste von dem verliert, was eine Stimme transportiert. „Sie verwandelt Ihre Stimme in Text und wirft eine unglaubliche Menge an Informationen weg, die Text allein nicht transportieren kann“, schrieb das Unternehmen laut TechCrunch.

Dessa überspringt den Text. Audio geht hinein, und Audio kommt heraus. „Wir haben Dessa von Grund auf nur mit menschlichen Gesprächen trainiert“, heißt es auf Blocks Seite, ohne Text und ohne vortrainiertes Sprachmodell darunter.

Dessa arbeitet außerdem im Vollduplex (full-duplex). Das heißt, es hört zu und spricht gleichzeitig, wie bei einem Telefonat statt wie bei einem Walkie-Talkie. Es kann dazwischenreden, auf Unterbrechungen reagieren, lachen und kurze Antworten wie „ja!“ geben, während Sie noch sprechen. Block nennt es „das authentischste Vollduplex-Sprachmodell, das je gebaut wurde“, eine Behauptung, die noch kein externer Tester geprüft hat.

Training und Hardware

Block sagt, Dessa habe zum Lernen von Sprache „hunderte Male weniger Wörter“ gebraucht als ein großes Sprachmodell. Die Seite merkt an, dass ein gesprochenes Wort tausende Male mehr Bytes belegt als dasselbe Wort in geschriebener Form.

Das Training lief auf einem einzigen Nvidia GB200 NVL72, einem Rack-System mit 72 Blackwell-GPUs, wie Blocks Seite und Notebookcheck berichten. Der Bericht von TechCrunch zitierte Block mit den Worten „eine einzige NVIDIA-GPU“. Blocks eigene Seite nennt das vollständige System GB200 NVL72.

Der Betrieb des Modells braucht weit weniger. Laut Block läuft Dessa lokal auf einem MacBook Pro mit dem Chip M4 Max oder besser, schneller als in Echtzeit.

Was Block gesagt hat	Was Block nicht gesagt hat
Nur mit menschlichen Gesprächen trainiert	Wie viele Stunden oder woher die Aufnahmen stammen
Auf einem GB200 NVL72 trainiert	Modellgröße oder Parameterzahl
Läuft auf einem MacBook Pro M4 Max oder besser	Latenz in Millisekunden
Sicherheitsforscher bekommen zuerst Zugang	Veröffentlichungstermin, Preis, Lizenz oder Gewichte

Block hat weder ein Paper noch Benchmark-Ergebnisse veröffentlicht, wie CoinDesk und Notebookcheck anmerken. Die Demos wählt Block selbst aus. Eine Demo kombiniert Dessa mit GPT-Live-1, einer KI-Stimme, deren Entwickler laut Block nicht mit dem Unternehmen verbunden ist.

Wer es gebaut hat

Das Labor wird von Ragavan Thurairatnam geleitet. Seine Mitglieder stammen von Dessa, einem Deep-Learning-Start-up aus Toronto, das Square 2020 kaufte und dessen Namen das Modell nun trägt, berichtet CoinDesk. „Ein Modell, das allein aus Klang sprechen gelernt hat, ist Neuland, und wir wollen einen Blick von außen darauf“, schrieb Thurairatnam auf Blocks Seite.

Jack Dorsey, dessen Unternehmen das Modell gebaut hat, lobte das Ergebnis auf X. „Mit ihm zu sprechen fühlt sich an, als spräche man mit einem Menschen…voller Emotion, Nuancen, Pausen und einem natürlichen Rhythmus“, schrieb er, wie CoinDesk zitiert.

Betrugsängste

Derselbe Realismus beunruhigt Menschen. Die Filmemacherin Justine Bateman fragte, ob der Sinn darin bestehe, dass „man Menschen austricksen kann, damit sie ihre Wachsamkeit senken“, berichtet CoinDesk. Der Journalist Shiv Aroor schrieb: „Betrugsanrufe stehen kurz davor, Pandemie-Ausmaß zu erreichen.“

Blocks Seite betrachtet Sicherheit anders. Sie argumentiert, dass Sprach-KI, die Notlagen nicht heraushören kann, das Risiko sei, und sie will, dass Forscher Dessa früh testen. Die Seite erwähnt keine Wasserzeichen, keine Grenzen für das Klonen von Stimmen und keine anderen Schutzmaßnahmen gegen Missbrauch.

Dessa kommt in einem geschäftigen Monat für Sprachmodelle. Tech AI Wire berichtete im Oktober über die Sprachagenten Eleven Realtime von ElevenLabs und Grok Voice 3.0 von xAI.

Was das für Entwickler bedeutet

Noch gibt es nichts, worauf man aufbauen kann. Dessa hat keine API, keine Gewichte und keine Lizenz. Wenn Sie an Sprachprodukten arbeiten, tragen Sie sich in die Warteliste ein und warten Sie auf echten Zugang, bevor Sie damit planen.

Behalten Sie die Angabe zum Betrieb auf dem Gerät im Blick. Ein Vollduplex-Sprachmodell, das auf einem Laptop schneller als in Echtzeit läuft, würde die Kosten von Sprach-Apps verändern. Anrufe bräuchten nicht für jede Antwort einen Umweg über die Cloud. Prüfen Sie, ob ein kleinerer Mac es ausführen kann, sobald Block Anforderungen veröffentlicht.

Planen Sie für eine Welt, in der man Stimmen nicht allein am Klang vertrauen kann. Wenn Ihre App Zahlungen, Supportanrufe oder Kontowiederherstellung abwickelt, verlassen Sie sich nicht auf eine Stimme, die „menschlich klingt“, als Beweis für irgendetwas. Fügen Sie Rückrufnummern, Bestätigungen in der App oder andere Prüfungen hinzu, die eine synthetische Stimme nicht bestehen kann.

Stellen Sie Block die offenen Fragen, bevor Sie es einsetzen: woher die Trainingsgespräche stammen, ob die Sprecher zugestimmt haben und was das Modell daran hindert, die Stimme eines realen Menschen zu kopieren.