Blocks Dessa lernte sprechen, ohne ein einziges Wort zu lesen

Blocks Forschungslabor hat diese Woche eine Forschungspreview von Dessa geöffnet: ein Speech-to-Speech-Modell, von Grund auf auf aufgezeichneten menschlichen Gesprächen trainiert – kein Text, kein vortrainiertes Sprachmodell, an keiner Stelle der Kette ein Transkriptionsschritt.

Genau dieses letzte Detail ist der Punkt. Fast jeder heute ausgelieferte Sprachassistent ist eine Kette: Spracherkennung verwandelt die Stimme in Text, ein Sprachmodell schreibt eine Antwort, eine Text-to-Speech-Engine liest sie vor. Prosodie – die Pause, das halbe Lachen, der flache Ton, der sagt, dass jemand müde ist – geht beim ersten Sprung verloren oder wird hinterher mit Stil-Tags wieder aufgemalt. Blocks Argument, zusammen mit den Demos veröffentlicht, ist deutlich: „Die Interaktion mit heutiger Sprach-KI kann einfach nur schlecht sein. Sie verwandelt die Stimme in Text und wirft unglaublich viel Information weg, die Text allein nicht tragen kann. Die mächtigsten KIs der Welt können nicht hören, wie du dich fühlst.“

Dessa ist vollduplex, hört also zu, während es spricht, kann unterbrochen werden und selbst unterbrechen. In den von Block veröffentlichten Aufnahmen lacht das Modell mitten im Satz, hält inne, als denke es nach, und klingt in einer Aufnahme fast den Tränen nahe, während es beschreibt, wie man es sich bequem gemacht hat. Block zufolge wurden die Gespräche live aufgezeichnet, ohne dass jemand die Antworten steuerte. Jack Dorseys eigene Zusammenfassung auf X: „Mit ihm zu sprechen fühlt sich an wie mit einem Menschen zu sprechen … voller Emotion, Nuance, Pausen und natürlichem Rhythmus.“

Was Block offengelegt hat:

- Vollständig auf menschlicher Sprache, von Grund auf trainiert, ohne Textdaten und ohne vortrainiertes Modell. - Trainiert auf einem einzigen Nvidia-GB200-NVL72-System und kompakt genug, um lokal auf einem MacBook Pro mit M4 Max oder besser zu laufen. - Audio rein, Audio raus. Keine separate Spracherkennung oder Text-to-Speech-Komponente zum Anflanschen.

Was nicht offengelegt wurde: Modellgröße, ein einziges Benchmark-Ergebnis, ein Erscheinungsdatum. Der erste Zugang geht an eine kleine Gruppe von KI-Sicherheitsforschern, dahinter eine Warteliste. Und Dessa weiß nach Angaben von Block, was in seinen Trainingsgesprächen steckt – es ist ein Gesprächsmodell, kein Orakel. Recherche sollte man ihm nicht übertragen.

Der Name ist nicht neu. Square übernahm 2020 das Torontoer Sprach-KI-Startup Dessa, und das Forschungslabor, das dieses Modell baute – es berichtet direkt an Dorsey –, besteht teilweise aus dessen Team. Der kommerzielle Fit liegt auf der Hand: Square nutzt Sprach-KI bereits für Telefonbestellungen, und ein Modell auf dem Gerät, das keine API-Rechnung pro Minute erzeugt, verändert die Ökonomie des Telefonabnehmens. Zwangsläufig verändert es auch, wer sich eine Stimme leisten kann, die wie ein Mensch klingt.

Warum das über eine Demo hinausgeht: Vier Jahre lang war Text die Kompressionsschicht der KI, und sie ist verlustbehaftet genau dort, wo menschliches Vertrauen entsteht. Ein Modell, das Zögern hört, kann auf Zögern reagieren. Das ist das Versprechen. Es ist auch das Risiko, und Block tut nicht so, als sei es anders – daher Sicherheitsforscher vor Nutzern. Kritiker formulierten den Punkt binnen Stunden. Die Filmemacherin Justine Bateman fragte, warum eine KI-Stimme überhaupt menschlich klingen müsse: „Damit man Menschen dazu bringen kann, die Deckung fallen zu lassen.“ Der Journalist Shiv Aroor sagte es kürzer: „Betrugsanrufe stehen kurz vor Pandemie-Niveau.“ Stimmklonen und Telefonbetrug sind bereits billig; ein Modell, das eine glaubwürdige emotionale Reaktion improvisiert, ist für den Menschen am anderen Ende der Leitung eine andere Größenordnung von Problem.

Das Gegenargument: Dieselbe Treue macht eine Sprachschnittstelle erst brauchbar für jemanden, der nicht tippen kann, oder für ein Kind, das im Gespräch lernt – der Fall, den Binance-Gründer Changpeng Zhao öffentlich mit Blick auf sein Bildungsprojekt anführte. Block ergänzt, sprachnative Modelle könnten künftig Not oder Schmerz erkennen, die ein Transkript zu nichts plätten.

Nichts davon ist derzeit prüfbar. Es gibt keine unabhängigen Evaluationen, keine veröffentlichten Zahlen, keinen Zugang außerhalb der Preview. Man sollte die Demos als das lesen, was sie sind: die eigene Beweisführung eines Unternehmens über sein eigenes Produkt. Bis externe Ergebnisse vorliegen, ist Dessa eine starke Vorführung und eine glaubwürdige These: Der Text-Engpass in der Sprach-KI ist eine Designentscheidung, kein Naturgesetz.