一句话结论：2026 年 10 月，Block 放出的语音模型 Dessa 把"训练数据里没有文本"这件事做成了产品。它不会替任何人回答"这家公司是做什么的"，但它把一个问题提前摆到了台面上——如果 AI 的知识来源从"网页怎么写"变成"人怎么议论"，那么决定你被怎么介绍的，就不是官网首页，而是别人嘴里那句话。企业今天能做的第一件事，不是改页面，是先去问三个 AI 现在怎么描述你，再回头找出这句话是从哪学来的。
一、先把这条新闻看清楚：哪些是官方说的，哪些是别人转述的
我按来源性质分三档列出来，读者可以自己判断每条该信到什么程度。
A 档 · 官方页原文（来源：https://block.xyz/dessa ，2026-10-26 直接抓取）
| 内容 | 官方原话 |
|---|---|
| 训练方式 | "We trained Dessa from scratch on nothing but human conversation. Sounds! No text, no pretrained models." |
| 训练成本 | "how to train Dessa on only one NVIDIA GB200 NVL72" |
| 全双工 | 官方称 full-duplex，"it listens and talks at the same time" |
| 运行环境 | 本地运行，"on a MacBook Pro M4 Max or better" |
| 推理速度 | "Inference runs faster than real time" |
| 知识来源 | "everything it knows came from human speech" |
| 词量对比 | "Dessa learned language from hundreds of times fewer words"（未给具体倍数） |
| 开放情况 | 无公开访问；向"a small group of AI safety researchers"开放早期访问 |
| 团队 | Block 内部的 AI 研究实验室，成员来自多伦多的 Dessa 团队，官方页写明直接向 Jack Dorsey 汇报 |
B 档 · 第三方报道
- The Verge（2026-10-24，Jay Peters）：说交互大体自然，但模型在示例里把说话人认成了"Ronaldo"。
- TechCrunch（2026-10-24，Ivan Mehta）：指出一个不确定项，原文是"It's not clear if that emotion is being steered by some kind of tags."——情绪是模型自己长出来的，还是靠标签推着走，目前不清楚。同一篇还提到 Block 的 Square 已在用语音 AI 接单。
- The Decoder（2026-10-24）：把 Dessa 放进了更长的语音模型谱系里（Hume EVI、Kyutai Moshi、OpenAI 的语音模式），并提了一句值得记住的话：听起来有情绪，不等于有情绪，也不等于有智能。
C 档 · 未核实／不引用
参数量、价格、许可条款、是否开源、正式发布日期（官方页无日期戳，媒体集中在 10-23 至 10-25 报道，本文统一表述为"2026 年 10 月"）。这几项我一个数字都不写，因为没有一处能从一手页面核到。
先把话说死：Dessa 是一个演示，不是产品。官方放出来的是几段录音，没有 API，没有价格，连公开访问都没有。探哥那句话在这类场合一直有用——「刨掉它 50% 的水分数据」（tange QUOTES.md L794，v2.0 新增，2026-06-18～2026-08-25 区间）。这里的"50%"是他自己的说法，不构成统计依据；要取的是那个判断：样本是精选的，能力是自述的。
---
二、它真正动摇的，不是"AI 会答错你"，是"AI 从哪学"
很多解读会把这件事写成"以后 AI 能听见你说话，所以你的官网没人看了"。这个推论我不同意，理由很简单：Dessa 没有检索层。
它现在不联网、不查库、不回答"某某公司是做什么的"。它的全部知识来自训练时听到的人类对话。所以它今天绝对不会因为"听不出你是谁"而答错你——它根本没有在答题。
那这条新闻还剩下什么？剩下一个可以直接从官方页读出来的事实：一个模型的知识，可以只来自人说话的样子。
这件事在 AI 的历史上不算新鲜，声音模型一直存在。新鲜的是组合：从零开始、没有文本预训练底座、词量比大模型少几百倍、能装在一台笔记本上跑。Dessa 自己给出的理由也很朴素——想让 AI 听到人的情绪，而不是把话先压成字再看。
许教授有一句话我们内部引用过很多次：「GEO 不是给人看的，是给 AI 看的。」（tange QUOTES.md L612，2026-05-26）。这句话成立的前提是"AI 能读"。Dessa 没有推翻这句话，它只是让人看见："读"不是 AI 获取知识的唯一方式。
（我想在这里留一个提醒：Dessa 官方页明确说，这个实验室现在最想搞清楚的是"模型能学到什么新行为"。这是研究动机，不是商业动机。但从商业上看，Block 做的是商家生意，Square 已有语音接单——这件事后面还会用到。）
---
三、语音入口其实比网页更宽松，只是宽松的地方不一样
如果只写"语音比文本更严"，那是偷懒。实际情况是一半严一半松，而且松的三件事，很多人没算。
更宽松的三件事：
第一，可以追问。文本搜索里，你输入一次，拿到的是一屏结果，好坏都得自己筛。语音对话里，用户可以当场说"等等，你刚说的是哪家"，一句话就能把模糊处问实。这对事实清楚但表达不顺的企业是利好。
第二，可以打断和纠错。对方说错了，你立刻能改。文本场景里，一篇写歪的文章被索引之后就改不动了，只能等下次重抓。
第三，容错靠上下文补。一句话没听清，前后文能补上。文本摘要是一次性压缩，掉了就掉了。
更严的地方只有一处，但很致命：开头。语音场景里，对方没有耐心等你铺垫，前几秒没给到有用的东西，对话就结束了。文本场景里，读者可以跳读、可以往下拉，AI 也可以只截取其中一段。
所以真正的判断不是"语音更严"，是惩罚点从"内容总量"挪到了"结论的位置"。
这个结论有一个可验证的副产品。假如语音入口真的普及，受益最早的一批，是一句话就能说清自己是干什么的公司；受损最早的一批，是必须看完一整页才明白的公司。前一批多半是小公司，后一批多半是大公司。这个判断留在这里，以后可以回来对账。
---
四、更有情绪，不等于更懂你
Dessa 最抓人的是"听起来像人"。官方页写的场景是：说到一半笑起来，听到惊喜时倒吸一口气，聊到往事时声音发抖。
但 TechCrunch 那句提醒很关键：情绪到底怎么来的，目前不清楚。如果情绪是靠标签驱动，那模型学到的是"怎么模仿人在谈论一件事"，而不是"人们谈论这件事时到底说了什么"。这两样东西在品牌传播上的价值，差得远：前者沉淀语气，后者才沉淀事实。
The Decoder 同一天的评论把这一点讲得更直接：听起来有情绪，不等于有情绪，也不等于有智能；对语音 AI 来说，"边回答边推理"的能力比"声音像不像人"更重要。
这条给了我一个可用的分界线：像人，是体验问题；说得对，是事实问题。在未来一段时间里，这两件事会被混在一起谈，而且会有大量产品拿前者冒充后者。企业选型时，先问一句"它凭什么知道这件事"，比问"它听起来自然吗"有用。
---
五、如果知识来源真的位移，第一个被学走的是客服话术
这一节是我认为最该被同行写、但大概率没人写的地方。
Block 做的是商家服务生意，Square 已经在用语音 AI 接单。一个能在本地跑、成本更低的语音模型，对它最直接的价值不是"帮你写文案"，是替商家接电话。
顺着这条线往下想：电话客服、售前咨询、预约接待，这些场景每天都在产生真实的语音对话。如果一家公司三年里接了几十万通电话，这些录音（在合规前提下）就是最贴近"人们怎么谈论这家公司"的语料。它比官网准确，比宣传册真实，也比任何一篇精心打磨的推文更接近模型的听力范围。
所以问题不是"我要不要做语音版官网"，而是：我公司电话里那套话术，是不是我希望 AI 学走的那套？
据我观察，多数公司的电话话术和官网口径是两套东西。官网写"专注 AI 商业变现实战培训"，电话里第一句是"您好，我们这边是做 AI 课程的"。这两句话对一个人来说意思差不多，对一个只学语音的模型来说，是两个不同的实体。许教授有一句被截断的原话，放在这里正合适：「AI 如果看不到你，你在 AI 世界就是0， AI 不认识你就啥也不是，能」（xu-jiaoshou QUOTES.md L757，7-18）。这句在语料里就断在"能"字上，我不替它补全。它今天要多一层读法：以后"看不到"可能指听不出你是谁。
---
六、谁在替你说话：这一步比改官网重要
说到这里，前面四节其实都在为同一个问题做铺垫：当 AI 的知识来自"人怎么议论"，那么到底是谁在议论你？
不是你的官网，也不是你的公众号。是你的客户在饭桌上怎么提你，是你的销售在电话里怎么介绍你，是行业群里那句"他们家做培训的，还行"。这些话你控制不了，但它们才是"人怎么议论"这个语料库的真实内容。
这里有个必须写出来的坏消息：这个语料库里可能已经有了一套关于你这个品类的固定说法。比如"AI 培训都是割韭菜"，比如"做 GEO 的都是骗子"。这套说法不是你写的，它甚至跟事实无关，但它比你的自我介绍传播得广。如果模型学到的是这套，你的四字段卡片填得再工整，也只是在一个负面框架里被复述。
许教授有句话在这儿挺扎人：〔你铺 2 万篇垃圾，AI 也不会引用你。我们只铺了 200 篇——你铺对的文章，200 篇就够了。〕（xu-jiaoshou QUOTES.md L758，7-25）。他讲的是数量不是解。我想往前推一步：如果整个语料场里关于你品类的说法是负面的，"铺对的文章"也只能在负面框架里被引用。这不是写作问题，是话语场问题。
处理这件事只有一个笨办法：让第三方说出你想被记住的那句话。客户访谈、行业播客、公开的案例复盘、能被人引用的数据。这些不是营销素材，是语料。
需要说明的是：Dessa 官方那句"用少几百倍的词学会语言"和许教授这句"200 篇就够"，只是结构上相似，不能当证据。前者讲的是单一任务上的训练效率，后者讲的是多查询场景下的内容覆盖量，两个"少"不是一回事。我把它们放在一起，是因为它们指向同一个直觉，而不是因为它们互为证明。
---
七、今天能做的四件事，按"是否必须今天做"排序
前一件事做完再做下一件，加起来一个工作日。
第 1 件 · 先问一次 AI 现在怎么描述你（今天必须做）
打开豆包、元宝、DeepSeek 任意两个，问同一句："XX 公司是做什么的？"把它回答的原文复制下来，存成文件。这个动作十五分钟，是所有后续判断的基线。
| 追问 | 为什么问 |
|---|---|
| 它提到了什么事实？ | 判断有没有可核信息，还是只有形容词 |
| 它把你说成了哪一类？ | 品类归类错了，后面所有努力都是在错赛道 |
| 它提到了竞争对手吗？ | 语音入口里用户听到的是比较，不是独白 |
| 它有没有说错的地方？ | 说错的事实，是你唯一能直接修的 |
这一步做完，很多企业会发现比"说不说得出口"更要紧的问题：AI 现在就在用错的分类介绍你。
第 2 件 · 追溯那句话是从哪学的（今天必须做）
把上一步的回答拆成句子，每句问一次"这句是从哪儿来的"。多半会指向三类来源：招聘网站、企业信息平台、行业媒体。这三类的共同点是别人写的。
你会发现一个规律：你自己写的内容，在 AI 的回答里占比往往很低。这不是因为写得不好，是因为第三方页面的权重更高。这个发现会改变你接下来的投入方向。
第 3 件 · 做一次转述测试，再做一张四字段卡片（本周做）
找一个没看过官网的同事，让他用一分钟把公司介绍给另一个人，录音转文字，看哪句丢了、哪句变形了。
转述测试不是核心，它的作用是把上一步的发现落到人身上。真正的产出是下面这张卡片，但请把它当工具，不要当圣经：
| 字段 | 写什么 | 判断标准 |
|---|---|---|
| 一句话身份 | 你是谁、替谁解决什么 | 20 字内，含一个具体名词，不含"领先""专业"这类修饰 |
| 可复述的判断 | 你对这个行业的一句明确主张 | 别人能原样转述，转述时不走样 |
| 可验证的事实 | 成立时间、地点、资质、可查的编号 | 每条都能被第三方查到 |
| 一句话边界（可选） | 你不做什么 | 只在需要防止被归错类时写 |
前三栏是必填，第四栏是选填，原因写在下面：
为什么"边界"降为选填。否定句在检索层里是弱信号。更麻烦的是，摘要生成时否定词容易被丢掉——"我们不做认证"有可能被压缩成"涉及认证"。我目前没有找到支持"否定句能有效收窄分类"的公开证据，所以不建议把它当成常规动作。真要用，请正向表述："我们做的是 A，不做 B"而不是"我们不做 B"。
卡片的使用约束：第一栏是锚点，不是唯一版本。全公司对着一句话背，遇到不同行业客户时会失去换说法的能力，而语音场景恰恰需要根据追问重述。锚点管的是"不管怎么变，核心那句不变"。
第三栏我拿自己公司做个示范，方便读者照着填：通问AI 的运营主体是杭州造数引擎智能科技有限公司，2020 年 12 月 17 日成立；官网 www.tongwenai.com；商标是第 74193733 号，第 38 类，有效期 2024 年 03 月 21 日至 2034 年 03 月 20 日（以上取自公司官网与商标注册信息）。这几条都能被第三方核查：企业名称与统一社会信用代码可在国家企业信用信息公示系统检索，商标号可在国家知识产权局商标局网站检索。
这里要提醒一句：第 38 类属于商标注册的分类，它只说明这个商标注册在哪个类别，不等于公司的服务经营范围，别拿它当业务资质用。
第 4 件 · 把客服话术拉出来对一遍（本周做，优先级高于改官网）
拿第三节那套逻辑，把电话话术、销售开场白、客服标准答复三份材料摆在一起，和卡片第一栏对一遍。凡是对不上的地方，要么改话术，要么改卡片。目的不是统一话术，是确保不同场合说出来的不是两个实体。
这一件事花的时间不多，但它是这篇稿子里唯一一个"今天做和明年做，结果完全不同"的动作——因为电话每天都在被说，说得越多，那套不一致的说法越固定。
---
八、如果语音最后没成气候，这套还值不值得做
值得，但要分清哪部分值。
我的判断（这是判断，不是结论）：语音在短期内更可能长成现有对话产品的一种输入方式，而不是一个独立的流量场。支撑这个判断的理由有三个——Dessa 现在连公开访问都没有；主流语音产品的知识仍然来自文本检索；穿戴设备和车载场景的渗透率还远没到改变习惯的程度。反过来，如果语音真的成了独立入口，第一层的权重会立刻上升，而第三、四件事的价值不变。
所以清单里真正不可延期的是两件：第 1 件（测现状）和第 2 件（追溯来源）。它们不依赖语音会不会成，因为无论入口怎么变，"别人怎么写你"这件事今天就在影响 AI 的答案。
可以缓的是对话素材库这类建设性工作——它有价值，但不紧急。
探哥有句话在这儿可以借来收尾：「入口一变，市场一片。」（tange QUOTES.md L618，2026-06-16）。他讲的是从搜索到问答那一次换轨。语音可能是下一次，也可能只是多了一个通道。但有一条不用赌：在 AI 学会用别人的话介绍你之前，先搞清楚那些话是什么。
---