要点
Block Dessaは、人が話す録音だけを使い、テキストを一切使わずに学習した音声AIモデルで、まだ利用できるものではありません。 Blockは2026年10月23日にリサーチプレビューとして発表しました。聞くことと話すことを同時に行い、自ら笑ったりため息をついたりします。1台のNVIDIA GB200 NVL72ラックで学習され、MacBook Pro M4 Maxで動作します。ウェイトリストと安全性研究者向けの早期アクセスはありますが、APIも価格も重みもベンチマークスコアもありません。
Blockのページ、掲載された21件のデモ、199件のコメントが寄せられたHacker Newsのスレッドを確認した私の見方はこうです。Dessaは、私が説明を聞いた音声モデルの中で最も自然に聞こえるモデルであると同時に、製品化から最も遠いモデルでもあります。音声エージェントを作っているコメント投稿者たちは、繰り返し同じ不足点を指摘していました。話し方は見事ですが、Blockがこれまで示したものには、注文を調べたり、台本に従ったり、ツールを呼び出したりできるものが何もありません。
サポートチームにとって、その不足部分こそが仕事のすべてです。私がeeselでエージェントを構築している問い合わせキューでは、難しいのは人間らしく聞こえることではなく、実際のアカウントデータに基づいて行動することです。Swiftregは、自社で作成したルールに従い、最新の注文データを使ってナンバープレートに関する問い合わせに回答しており、その対象は月に約2,100件のZendeskチケットです。Dessaは研究上の節目として注目してください。今四半期に問い合わせキューへの支援が必要なら、メールとチャットで働くAIヘルプデスクのチームメイトが、実際に導入できる選択肢です。
Dessaを詳しく調べた理由
私はeeselのソフトウェアエンジニアで、日々、お客様のヘルプデスク内で動くAIエージェントを構築しています。数か月おきに新しい音声モデルが登場し、そのデモを見たサポート責任者から「そろそろ電話対応にAIを導入すべきでしょうか？」とメッセージが届きます。GPT-Live-1、Grok Voice Think Fast 2.0、Decagon Voice 3に続くのがDessaです。
そこで、今回も新製品の発表時にいつもやっていることをしました。ベンダーが実際に公開したものをすべて読み、音声クリップを聞き、Blockが述べたことと、他の人が推測したことを切り分けました。今回は、その後半の作業が普段以上に重要です。Blockが公開した情報は驚くほど少なく、多くの報道がその空白を推測で埋めているからです。
Block Dessaとは？
Dessaは、Square、Cash App、Afterpayを手がけるBlock社内の小規模なAI研究ラボが開発した、全二重の音声対音声モデルです。Blockの言葉では、"audio in, audio out"であり、"everything it knows came from human speech."というモデルです。
これまで使ってきた多くの音声AIとは、次の3点が異なります。
- テキストを完全に使いません。 Blockによると、チームは"from scratch on nothing but human conversation"で学習させ、"no text, no pretrained models."だとしています。多くの音声アシスタントは、テキストモデルを土台に構築されています。
- 全二重です。 "listens and talks at the same time, like you do,"というモデルで、いつ口を挟み、いつ"yeah!"や"got it!"と相づちを打つかをデータから学習しました。
- 感情を聞き取り、表現します。 Blockは、"natively hears and speaks emotion, sarcasm, laughter, a frustrated sigh, a voice cracking with sadness."と説明しています。
このラボは非常に小規模です。Blockのページには、リーダーのRagavan Thurairatnam、研究者6人、インターン3人、元インターン2人が掲載されており、ラボはJack Dorseyの直属だとされています。チームを立ち上げたのは、Squareが買収したトロントのディープラーニング系スタートアップDessaの元メンバーで、名前もそこに由来します。元のスタートアップはディープフェイク検出で知られていました。今、最も人間らしく聞こえる音声モデルを開発しているチームとしては、興味深い経歴です。
"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech."
この発表投稿には16,807件の「いいね」がつき、"the most authentic full-duplex speech model ever built"と評したJack Dorsey自身の投稿は68,000件を超えました。盛り上がりは本物です。問題は、その下に何があるかです。
Dessaの仕組みは他の音声AIとどう違うのでしょうか？
現在の音声エージェントの多くは、3つのモデルによるリレー方式です。音声認識が声を文字に変換し、テキストモデルが返答を書き、音声合成がそれを読み上げます。この構成については、Realtime、Whisper、TTSの比較で書いています。これは機能する仕組みであり、現在のAI電話やAIコールセンターエージェントの多くはこの方法で処理されています。
発話を担うのは、ElevenLabsのような音声ベンダーであることが多いです。CartesiaのSonic 3もよく選ばれています。
Blockの主張は、最初のステップで会話の最も人間らしい部分が捨てられてしまうというものです。同社のページは、現在の音声AIについて率直にこう述べています。"turns your voice into text and throws away an incredible amount of information text alone can't carry. The most powerful AIs in the world can't hear how you feel."
Dessaは、このリレー全体を、音声を聞いて音声を生成する1つのモデルに置き換えます。テキストに変換しないため、笑い、間、ため息も、学習元と出力の一部になります。OpenAIのgpt-realtimeのようなモデルも音声を直接処理し、GPT-Live-1は難しい思考をGPT-5.5のような別のバックエンドモデルに任せます。Blockによると、Dessaの最大の特徴は、テキストを一切見たことがない点です。
Blockの主張が正しいなら、驚くべきなのは効率です。Blockは次のように述べています。
- Dessaは、大規模テキストモデルよりも"learned language from hundreds of times fewer words"。
- "only one NVIDIA GB200 NVL72"で学習されました。データセンターではなく、1台のラックです。
- 推論は"runs faster than real time"で、"runs locally on a MacBook Pro M4 Max or better."とされています。
Blockは、今後探究したい未解決の研究課題も挙げています。"How efficiently do they learn language and facts compared to text? How efficiently can they learn new languages? What sorts of In-context learning can they perform?" 私は、ページでこれを明言している点を好ましく思います。研究ラボが、まだ分からないと伝えているのです。
Dessaのデモは実際に何を示しているのでしょうか？
Blockのページには21本の録音があります。説明文付きの注目クリップが6本、その他のサンプルが15本で、長さは1:42から5:01です。Blockは"Nobody steers it"と述べ、字幕は後から追加したとしています。各クリップは、人間とDessaの2つの同期されたトラックとして再生されます。
注目クリップと、それぞれについてBlockが示している見どころは次のとおりです。
| デモクリップ | 長さ | Blockが強調している点 |
|---|---|---|
| リリースについて話す | 2:52 | 文の途中で笑い、大きな声で話すよう頼まれると声量を上げます |
| 映画を思い出す | 2:39 | 相手が思い出せなかった映画のタイトルを補います |
| 記念日のサプライズ | 1:52 | 小声で"oh my god"と息をのみ、その後、感謝の気持ちが声に表れます |
| 表現豊かな会話 | 3:03 | "Huge range in intonation and speed" |
| 人生相談 | 4:57 | "genuinely empathetic"に聞こえます |
| GPT-Live-1と会話するDessa | 2:25 | 割り込み、待つ姿勢、素早い相づち |
最後のクリップは、Blockが提供しているものの中で比較に最も近いものです。2つのAI音声が互いに会話し、"the developer of GPT-Live-1 is not affiliated with Block and has not reviewed or endorsed Dessa."という注記が添えられています。聞いていて楽しいものですが、これは印象を確かめるものであって、ベンチマークではありません。
Xには、インターンがモデルと遊ぶ当てっこゲームもあります。Blockの言葉では、"the model guesses the first one right straight away, and the second doesn't take long either."とのことです。Ragavanは、これをDessaが純粋に音声だけから"developed world knowledge"した証拠と位置づけています。
Blockがまだ明らかにしていないことは？
ここは多くの発表記事が飛ばしている部分であり、Dessaが自分にとって重要かどうかを決める部分です。2026年10月27日時点で、公式の説明資料はBlockのDessaページだけです。技術レポート、論文、モデルカード、GitHubはありません。
不足している情報は次のとおりです。
- モデルサイズ。 パラメータ数がないため、"runs on an M4 Max"という主張を必要メモリ量と照らし合わせて確認できません。
- レイテンシー。 "Faster than real time"はスループットに関する主張です。通話が自然に感じられるかどうかを左右する、最初の音声が出るまでの時間をミリ秒で示した数値はありません。
- ベンチマーク。 GPT-Live-1、Grok Voice、Gemini、オープンモデルとの比較スコアはありません。"Other models wait for you to finish, then laugh on cue."のような定性的な説明だけです。
- 言語。 デモは英語です。"Singing nonsense Spanish"というタイトルのサンプルが1本ありますが、それはスペイン語対応とは違います。
- アクセス。 APIも価格もライセンスも公開された重みもありません。ページのフッターには"Launch links are coming soon."とあります。
これは研究を批判しているわけではありません。小さなラボが初期段階の成果を共有するのは普通のことです。ただ、Dessaが別のモデルに「勝っている」と述べる記事は推測でしかなく、今日Dessaを前提に立てる計画は、デモクリップの上に築かれるものだということです。
Dessaについて人々は何と言っているのでしょうか？
Hacker Newsのスレッドは532ポイントと199件のコメントを集め、Xもデモクリップで盛り上がりました。反応は3つに分かれています。
多くの人がリアルさに感銘を受けました。 スレッドで最も返信がついたコメントは、声ではなくハードウェアについてでした。
"The conversation examples are impressive but this made me say holy shit out loud: 'it runs locally on a MacBook Pro M4 Max or better. And we figured out how to train Dessa on only one NVIDIA GB200 NVL72.'"
ただし、全員が同じように聞いたわけではありません。ある投稿者はホームページのサンプルを"absolutely awful"と評し、別の投稿者は、技術に詳しくない妻が最初の試行でAIの声を正しく見抜いたと述べています。
声が頭脳を先行しています。 これは、音声エージェントの開発経験がある人たちから最も多く挙がった批判でした。
"The speech realism is very good, but the intelligence is pretty clearly 2024-level."
別の投稿者は、映画のデモでBryan SingerをSuperman IVと結びつける、でっち上げの事実を見つけました。自信に満ちた声は、AIのハルシネーションの説得力を弱めるどころか、強めるのだと再認識させられます。
詐欺となりすまし。 説得力があり、ローカルで動く音声モデルが電話詐欺に与える影響を心配する人も複数いました。
"Block says it runs locally on a high-end MacBook. Once something like that is out, there's no server in the middle to watch it or switch it off. Research preview for now. Soon the only way to know you're talking to a human will be to hang up and call back."
Blockもこの点を認識しているようです。Dessaを開発する理由として掲げているのは"curiosity (aka fun), better understanding between humans and AI, and safety,"であり、最初の社外アクセスは開発者ではなく、安全性研究者に提供されます。Blockがまだ公開していないのは、モデルカード、レッドチームの検証結果、音声の透かしに関する情報です。対照的に、OpenAIはGPT-Liveの音声にSynthIDで透かしを入れ、声をプリセットに限定しています。そのため、一般公開前のDessaにも、この水準を満たしてほしいと思います。
Dessaはカスタマーサポートの電話に対応できるのでしょうか？
現在の形ではできません。その理由は具体的です。電話サポートのエージェントには、声が良いこと以外に4つのことが必要です。ツールを呼び出すこと（注文を調べる、返金する）、台本やポリシーに従うこと、自社のヘルプセンターに基づいて回答すること、そしてAPIを通じて電話システムに接続することです。Blockは、そのいずれも発表していません。
HNの人たちは、私よりも鋭い言い方をしていました。
"Given that it lacks both broad world knowledge and tool calling integration in any way, that seems kind of like a dead-end."
私は行き止まりだとは思いません。別の投稿者は、聞く部分と話す部分を、ナレッジベースの検索やツール呼び出しを担う中間のモデルから分離することを提案していました。これは妥当な道筋に思えます。ただ、それは今後の作業であり、Blockは取り組んでいるとは述べていません。
顧客体験についても、まだ誰も答えを持っていない疑問があります。Dessaの特徴的な振る舞いは、人間のように割り込み、相づちを打つことです。複数の投稿者は、サポート窓口でまさにそれをされるのが嫌だと述べています。
"I get irrationally angry when actual people interrupt me while I'm talking, I'll start throwing chairs when AI tech support agents start doing it."
実際のサポートキューで私が見てきた限り、お客様は、問題を解決してくれるなら多少機械的な声でも許容します。魅力的な声でも、解決できなければ許容しません。私がeeselでエージェントを導入するときは、まずチームの過去のチケットを使ってシミュレーションします。害になる失敗は、ぎこちない間ではなく、自信に満ちた誤回答だからこそです。電話AIをロードマップに入れているなら、まず現在のヘルプデスクが提供しているものから始めてください。Zendeskには音声AIエージェントがあり、FreshdeskにはFreshcallerエージェントがあります。
今すぐ導入できる単独のツールを探すなら、サポート向けのAI音声エージェントと電話サポートに最適なAIについての私のガイドが出発点になります。
Dessaは現在使える音声モデルと比べてどうなのでしょうか？
Blockがスコアを公開していない以上、誠実な比較は、どれが最も良い声かではなく、それぞれで何ができるかについてになります。
| Block Dessa | GPT-Live-1 | Grok Voice Think Fast 2.0 | |
|---|---|---|---|
| 構成 | 音声のみの単一モデルで、テキストによる学習はありません | 推論をGPT-5.5のようなバックエンドモデルに渡す音声レイヤー | 推論を内蔵した音声モデル |
| 現在利用できますか？ | ウェイトリストと安全性研究者のみ | はい、API経由で利用できます | はい、API経由で利用できます |
| 公開価格 | なし | 音声レイヤーは1分あたり$0.05 | 1分あたり$0.08 |
| ツール呼び出し | 未発表 | 対応 | 対応 |
| ローカル動作 | 対応、M4 Max MacBook以上（Blockによる説明） | 非対応 | 非対応 |
| 公開ベンチマーク | なし | あり | あり |
| 音声の透かし | 未発表 | SynthID | ここでは扱っていません |
興味深いことに、GPT-Live-1の構成は、あのHacker Newsの投稿者がDessa向けに提案したものに近いです。会話用の音声レイヤーと、思考およびツール呼び出し用の別モデルという構成です。私のGPT-Live-1レビューと料金の詳細解説で、さらに掘り下げています。
この表でDessa側にある新しい点は、ローカル動作です。ノートパソコンで動く音声モデルは、クラウドAPIではできない形で、オフラインのアシスタント、ゲーム、語学練習への道を開きます。ローカルAIに興味があるなら、Nemotron 3.5 Boltのような他のオンデバイス製品や、私がまとめたオープンソースAIエージェントの一覧とあわせて読む価値があります。
ただし、今年中に顧客向けに使うものなら、APIとツール呼び出しを備えたモデルが必然的に優位です。そして音声モデルは、実際に機能するAIエージェントの一部にすぎません。ウェイトリストよりも、私のAI音声エージェントのまとめやGrok Voice Agent Builderのレビューのほうが、良い出発点になります。
Dessaに注目すべきなのは誰でしょうか？
- AI安全性研究者： はい、直接関わるべきです。Blockは、所属機関のメールアドレスで申し込む早期アクセスフォームを用意し、まさに皆さんを求めています。
- 音声AI開発者： 注意深く見守ってください。Blockが重みやAPIを公開すれば、ローカルで動く音声のみのモデルは、本当に新しい選択肢になります。
- サポートとCXの責任者： 計画ではなく、兆しとして捉えてください。現在、通話でより早く成果を出せるのは、通話を要約してチケットにすることや、より広範なコールセンターの自動化などです。音声AIがより人間らしく聞こえるようになるのは明らかです。自社のデータに基づいて行動できるかどうかは別の問題であり、Dessaはまだそれに答えていません。
- 電話詐欺を心配している方： もっともな心配です。予期しない電話に備えて家族の合言葉を決めるのは、今から始められる、費用のかからない習慣です。
eeselを試す
Dessaは、音声AIが向かう先を示しています。より人間らしく、より感情豊かになり、いずれはローカルで動くという方向です。まだ到達していない部分、つまり自社のルールに従って実際のアカウントデータに基づいて行動することは、eeselのAIヘルプデスクのチームメイトが、メールとチャットのチケットですでに実現しています。ヘルプセンターと過去のチケットから学び、返信前に注文を調べることができ、必要なときには人に引き継ぎます。
SamCartは、Freshdeskのチケットに1つ、ウェブサイトのチャットにもう1つのエージェントを稼働させ、280件のヘルプセンター記事に基づいて回答しています。Swiftregは、最新の注文データを使い、1か月で約2,100件のZendeskチケットに対応し、約1,500件の公開返信を送信しました。どちらも既存のキュー上で動いており、ウェイトリストは不要です。
音声AIが成熟する前にチケットキューへの支援が必要なら、無料でeeselを試し、まず自社の過去のチケットで動かしてみてください。