Das US-Finanz- und Technologieunternehmen Block hat ein neues Modell für gesprochene Künstliche Intelligenz namens Dessa vorgestellt. Die Entwicklung stammt direkt aus dem konzerneigenen Forschungsteam unter Leitung von Ragavan Thurairatnam, das auf die frühere Übernahme des gleichnamigen Startups Dessa zurückgeht. Mit dem neuen System wählt das Unternehmen von Jack Dorsey einen gänzlich anderen architektonischen Pfad als die meisten bisherigen Sprachassistenten am Markt. Anstatt ein bestehendes Textmodell als Fundament zu nutzen, setzt Block auf eine reine Sprachverarbeitung von Grund auf.
Der entscheidende technologische Unterschied liegt im Trainingsmaterial. Dessa wurde nach Unternehmensangaben ausschließlich mit reinen Audioaufnahmen menschlicher Gespräche trainiert, ohne dass geschriebene Texte oder vortrainierte Text-LLMs als Zwischenschritt herangezogen wurden. Bisherige Sprachassistenten transkribieren Sprache meist über Speech-to-Text-Pipelines, verarbeiten den Inhalt über ein Textmodell und geben das Ergebnis per Sprachsynthese wieder. Dieser mehrstufige Prozess erzeugt oft spürbare Verzögerungen und lässt nonverbale Nuancen wie Tonfall, Zögern oder Lachen weitgehend verlorengehen.
Dank des nativen Audioansatzes beherrscht Dessa echten Full-Duplex-Betrieb. Das Modell kann gleichzeitig zuhören und sprechen, was eine natürliche Gesprächsdynamik ermöglicht. In Unterhaltungen fällt das Modell Sprechenden bei Bedarf flüssig ins Wort oder lässt sich ohne störende Latenz unterbrechen. Zudem streut das System kontextabhängig situatives Lachen sowie typische verbale Bestätigungen wie kurze Laute oder Zwischenwürfe ein, was in der Linguistik als Backchanneling bezeichnet wird.
Auch auf der Hardwareseite setzt das Forschungsteam auf Effizienz statt auf gigantische Rechenzentren. Trainiert wurde das Modell laut Angaben von Block auf einem einzelnen Nvidia-Server-Rack des Typs GB200 NVL72. Noch bemerkenswerter ist der Ressourcenbedarf für den laufenden Betrieb: Die Inferenz soll in Echtzeit lokal auf einem handelsüblichen Laptop laufen, konkret auf einem MacBook Pro mit Apples M4 Max Prozessor. Das minimiert Bandbreitenprobleme und eröffnet Möglichkeiten für Anwendungen ohne permanente Cloud-Verbindung.
Aktuell ist Dessa noch nicht für die breite Öffentlichkeit freigegeben. Block hält das System derzeit in einer geschlossenen Research-Preview, der Zugang wird über eine Sicherheits-Warteliste schrittweise reguliert. Die Forscher wollen zunächst Risiken im Bereich der Stimmimitation sowie unvorhersehbare Verhaltensweisen in freien Unterhaltungen genauer untersuchen. Damit reiht sich Block in den wachsenden Trend ein, KI-Sprachschnittstellen nicht mehr als rein textbasierte Chatbots mit Vorlesefunktion zu konzipieren, sondern Sprache als eigenständiges, dynamisches Medium zu begreifen.