Block, das Unternehmen hinter Square und Cash App, hat ein KI-Sprachmodell namens Dessa vorgestellt.
Block sagt, Dessa sei das erste KI-Modell, das vollständig auf menschlicher Sprache trainiert wurde – ohne jegliche Textdaten – und von Grund auf neu entwickelt wurde. Statt Audio zuerst in Text umzuwandeln, verarbeitet Dessa Sprache direkt als Audio. Dadurch kann es Emotionen, Sarkasmus, Lachen und Pausen in Echtzeit erfassen.
Das Modell unterstützt Vollduplex-Kommunikation, sodass es gleichzeitig zuhören und sprechen kann. Es läuft lokal auf einem MacBook Pro M4 Max und wurde auf einem einzelnen NVIDIA GB200 NVL72 trainiert. Block sagt, Dessa wurde aus Neugier, dem Wunsch nach besserer Mensch-KI-Kommunikation und aus Sicherheitsgründen entwickelt, da aktuelle Sprach-KI emotionale Signale ignoriert. Dessa ist noch nicht öffentlich verfügbar. Das Team sucht zunächst KI-Sicherheitsforscher, die das Modell auf unerwartete Risiken testen. Interessierte können sich über ein Formular anmelden.
Frühere Versuche mit emotionaler Sprach-KI haben sich nicht durchgesetzt
Mehrere Teams haben versucht, Sprach-KI zu entwickeln, die emotional klingt. Im März 2024 startete das Startup Hume AI EVI (Empathic Voice Interface), eine Sprach-KI mit "emotionaler Intelligenz". Kyutai folgte im September 2024 mit Moshi. LAIONs Open Empathic-Projekt arbeitet seit Ende 2023 daran, empathische Sprachsynthese-Modelle mit einem Open-Source-Audiodatensatz zu trainieren. OpenAI überholte ChatGPTs "Advanced Voice Mode" im Juni 2025 und verfeinert ihn seither weiter, mit besserer Intonation, Pausen und realistischeren Ausdrücken von Empathie und Sarkasmus.Anzeige
Aber emotional zu klingen ist nicht dasselbe wie emotional oder intelligent zu sein, selbst wenn es diesen Eindruck erweckt. Für fortschrittliche Sprach-KI sind Fähigkeiten wie Reasoning während der Antwort wichtiger als natürlich klingende Stimmen, weil sie die Qualität der Antwort tatsächlich beeinflussen.
Quelle: Block.xyz