Eine Stimme, die unterbricht, lacht, zögert und auf Tonfall reagiert: Blocks neues Modell Dessa soll solche Gesprächsmuster direkt aus Sprache gelernt haben. Das klingt nach einem anderen Weg zur Sprach-KI – ist bislang aber vor allem eine Forschungsdemo.
Quellen:
https://techcrunch.com/2026/10/24/blocks-new-voice-model-sounds-eerily-human/
https://www.implicator.ai/block-dessa-speech-only-voice-model/
🔎 Was ist passiert?
Das Unternehmen Block hat Dessa als Forschungsmodell für direkte Gespräche vorgestellt. Nach Angaben des Teams wurde es von Grund auf mit Aufnahmen menschlicher Gespräche trainiert – ohne Textdaten und ohne vortrainiertes Sprachmodell. Sprache wird also nicht erst in Text umgewandelt, bevor das System antwortet.
Dessa ist als sogenanntes Vollduplex-System gedacht: Es kann zuhören und sprechen, während die andere Person noch redet. In veröffentlichten Aufnahmen reagiert das Modell auf Unterbrechungen, spricht auf Wunsch lauter, ergänzt einen vergessenen Filmtitel und verändert hörbar Rhythmus und Tonfall.
Block sagt, das Training habe auf einem einzelnen Nvidia-System vom Typ GB200 NVL72 stattgefunden. Das fertige Modell soll schneller als in Echtzeit lokal auf einem MacBook Pro mit M4 Max oder besser laufen.
⚖️ Der Realitätscheck
Die Formulierung „läuft auf einem MacBook“ beschreibt nach Blocks Angaben die Anwendung des bereits trainierten Modells, nicht dessen Training. Ein M4-Max-MacBook ist außerdem leistungsfähige und teure Spitzenhardware – „lokal“ bedeutet hier nicht automatisch, dass Dessa auf gewöhnlichen Laptops oder Smartphones läuft.
Ă–ffentlich verfĂĽgbar ist das Modell derzeit nicht. Block spricht von einer Forschungsfreigabe fĂĽr eine kleine Gruppe von Sicherheitsforschern und fĂĽhrt eine Warteliste. Eine frei nutzbare Version, Modellgewichte, ein wissenschaftliches Papier, standardisierte Vergleichstests und ein allgemeiner Erscheinungstermin fehlen bislang.
Auch die beeindruckenden Gespräche sind vom Hersteller ausgewählte Demonstrationen. Block bezeichnet sie als live und ungesteuert; unabhängige Tests müssen aber erst zeigen, wie zuverlässig Dessa mit anderen Stimmen, Sprachen, Störungen, langen Gesprächen und heiklen Situationen umgeht.
đź’ˇ Warum ist das interessant?
Die meisten heutigen Sprachassistenten zerlegen ein Gespräch in mehrere Schritte: Sprache erkennen, Text verarbeiten, Antwort formulieren und wieder vertonen. Dabei können Pausen, Lachen, Zögern oder emotionale Färbung verloren gehen. Dessa soll diese Ebene direkt mitlernen.
Sollte sich der Ansatz bewähren, könnte Sprach-KI natürlicher reagieren und sensible Gespräche stärker auf dem Gerät verarbeiten. Gleichzeitig steigt das Täuschungsrisiko, wenn synthetische Stimmen immer menschlicher wirken. Genau deshalb ist die angekündigte Sicherheitsprüfung mehr als Begleitmusik: Natürlichkeit ist eine Fähigkeit – Vertrauen muss trotzdem verdient werden.