Block zeigt Dessa: Sprach‑KI, die direkt mit Audio statt Text arbeitet.
In Kürze
- Nur Audio‑Training
- Erkennt Emotionen & Sarkasmus
- Vollduplex; lokal auf M4 Max
Block, die Firma hinter Square und Cash App, hat ein neues Sprach‑KI‑Modell namens Dessa vorgestellt — und das unterscheidet sich in einem wichtigen Punkt von den meisten Sprachassistenten: Es wurde ausschließlich mit menschlicher Sprache trainiert, also nur mit Audio, nicht mit Text.
Direkt Ton statt Text
Dessa verarbeitet Eingaben nicht indem sie sie zuerst in Text umwandelt. Stattdessen arbeitet das Modell direkt mit Tonspuren. Das ermöglicht offenbar die Erkennung von Emotionen, Sarkasmus, Lachen und Pausen in Echtzeit — Signale, die bei herkömmlichen, textbasierten Systemen oft verloren gehen.
Vollduplex und lokal nutzbar
Technisch kann Dessa vollduplex kommunizieren, das heißt: zuhören und gleichzeitig sprechen. Außerdem betont Block, dass das Modell lokal auf einem MacBook Pro M4 Max laufen lässt — also ohne permanente Cloud‑Anbindung auf einem leistungsfähigen Laptop.
Wenig Hardware, viel Training
Interessant: Für das Training gab Block an, nur eine einzige NVIDIA GB200 NVL72 verwendet zu haben. Das ist ein leistungsstarker Rechenchip, aber im Vergleich zu vielen öffentlich bekannten Trainingsläufen relativ sparsam eingesetzt.
Warum das Projekt?
Block nennt drei Beweggründe:
- Neugier
- die Verbesserung der Mensch‑KI‑Kommunikation
- Sicherheitsaspekte — konkret die Sorge, dass viele heutige Sprach‑KIs emotionale Signale ignorieren, was sowohl die Verständlichkeit als auch mögliche Risiken betreffen könne
Noch nicht öffentlich, erst Sicherheitstests
Dessa ist noch nicht für die breite Nutzung freigegeben. Das Team sucht zunächst KI‑Sicherheitsforscher, die das Modell auf unerwartete Risiken prüfen sollen. Wenn du in dem Bereich tätig bist, kannst du dich über ein Formular melden, das Block bereitstellt.
Einordnung in den Markt
Die Idee, Sprach‑KI emotionaler und nuancierter zu machen, ist nicht neu:
- Hume AI mit EVI (März 2024)
- Moshi von Kyutai (September 2024)
- LAIONs Open Empathic‑Initiative (seit Ende 2023) mit offenen Audiodatensätzen
- Auch OpenAI hatte im Juni 2025 den „Advanced Voice Mode“ überarbeitet, um Stimmen emotional differenzierter zu gestalten
Wichtiger Hinweis zur Interpretation
Nur weil eine KI emotional klingen kann, heißt das nicht, dass sie Gefühle hat oder generell intelligenter ist. Für die Qualität von Antworten spielt oft die Fähigkeit zum logischen Denken und Argumentieren während des Sprechens eine größere Rolle als der Klang der Stimme.
Quellen
- Quelle: Block
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
