Block、音声で訓練されたローカル全二重音声モデル「Dessa」をリリース

Jack Dorsey率いるBlockは、同社の研究ラボが開発した新しい音声モデル「Dessa」をリリースしました。このモデルはローカル環境で動作し、笑い、間（ポーズ）、泣き声など、人間の声の微妙なニュアンスを再現します。2026年10月に発表されたこのモデルは、従来のテキストベースのパイプラインを排除し、消費者グレードのハードウェア上で全二重通信を可能にすることで、会話型AIにおける重要な一歩を記すものです。

何が起きたか

Blockは「Dessa」を全二重音声モデルとして導入しました。これは、今年初めにリリースされたOpenAIのGPT-Liveと同様に、同時に聞き取りと発話が可能であることを意味します。既存のシステムの多くが、知識検索のために音声モデルと大規模言語モデル（LLM）を組み合わせていますが、Blockによれば、「Dessa」の知識は完全に、その訓練に使用された会話データから導き出されています。同社は単一のNVIDIA GPUラックを使用して、人間の音声のみでこのモデルを完全に訓練しました。

今回のリリースは、現在の音声AIアーキテクチャに対する批判を浮き彫りにしています。Blockは、音声をテキストに変換すると重要な感情的情報が失われ、不自然で潜在的に危険なインタラクションにつながると主張しています。ブログ記事の中で、同社は現在の音声AIとの対話は「ユーザーの感情を捉えきれないため、単に糟糕（ひどく）である」と述べています。音声に対して直接訓練することで、Blockは「Dessa」がElevenLabs v4やFish Audio Drama 3などの競合他社が感情をシミュレートするために使用する外部の音声タグに依存するのではなく、感情をネイティブに埋め込むことを主張しています。

能力を実証するため、Blockの研究チームは、エージェントが多様なリズムや感情を表示した例を共有しました。ある事例では、仕事の疲労について議論している際に、ボットは本当に疲れているように聞こえました。別の事例では、安らぎについて話す際に、感情的になり、涙が出そうな様子を見せました。さらに別の例では、チームメンバーがアシスタントとクイズゲームを行い、アシスタントは迅速かつ正確に応答しました。これらのデモにもかかわらず、「Dessa」への一般公開アクセスはまだありません。Blockは安全性研究者に対し、音声エージェントがユーザーを欺くなどのリスクを特定するため、モデルのテストを呼びかけています。

仕組み

「Dessa」は音声から音声へのモデルとして動作し、ほとんどの音声アシスタントで見られる中間的なテキスト生成ステップをバイパスします。従来のシステムは、オーディオをテキストに書き起こし、言語モデルを通じて処理し、結果としてのテキストから音声を合成します。このプロセスでは、韻律（プロソディ）、トーン、非言語的ヒントがしばしば除去されてしまいます。「Dessa」はオーディオ入力を直接オーディオ出力に変換し、感情や意図を伝える音響的特徴を保持します。

このモデルは、MacBook M4 Max以上の消費者向けハードウェア上でローカル実行されるよう設計されています。ローカルでの実行により、クラウドベースの代替手段と比較して遅延が削減され、コストが低減されます。処理をデバイス上で行うことで、Blockはビジネスおよびコンシューマーアプリケーションの両方において、より応答性が高くプライバシー保護されたインタラクションを実現することを目指しています。同社はこの開発を「音声にとってのGPT-3の瞬間」と表現しており、以前の言語モデルがテキスト生成を民主化したのと同様に、高品質な音声AIを民主化する可能性があることを示唆しています。

主要な詳細

• モデル名: Blockの研究ラボによって開発された「Dessa」。
• アーキテクチャ: 完全に人間の音声で訓練された全二重音声から音声へのモデル。
• ハードウェア要件: MacBook M4 Max以上の消費者向けGPU上でローカル実行可能。単一のNVIDIA GPUラックで訓練。
• 感情の範囲: 明示的な音声タグなしで、笑い、間、泣き声、疲労などを表現可能。
• 利用可能性: 一般公開されていない。Blockは現在、安全性研究者によるモデルのテストを招待中。
• ナレッジベース: 別個の大規模言語モデルとペアリングされるのではなく、会話データから導き出されている。

なぜ重要なのか

会話型エージェントを構築するエンジニアにとって、「Dessa」はテキスト中心のパイプラインからの潜在的な転換を示しています。もし感情やニュアンスを音声モデルに直接埋め込むことができれば、開発者はトーンやペースを管理するための複雑なオーケストレーションレイヤーが必要なくなるかもしれません。この簡素化により、遅延が削減され、インタラクションの自然さが向上する可能性があります。これは、共感が鍵となるカスタマーサービス、ヘルスケア、コンパニオンアプリにとって極めて重要です。

このような高性能なモデルを消費者向けハードウェア上で実行できる能力は、展開状況も変えます。ローカル実行意味着、運用コストの低減とプライバシーの強化をもたらし、データがデバイス外に出る必要がなくなります。すでに注文用に音声AIを使用しているSquareのような企業にとって、独自で効率的なモデルを所有することは、中小企業向けのシームレスで低コストな音声体験を作成する上で競争優位性を提供します。

しかし、一般公開の欠如と安全性テストへの焦点は、伴うリスクを強調しています。超現実的な音声モデルは、詐欺やソーシャルエンジニアリングに悪用される可能性があります。より広いリリースの前にシステムを検査するために安全性研究者を招くことで、Blockはこの技術のデュアルユース（民生・軍事両用）性質を認識しています。これらのツールが普及するにつれ、開発者は音声認証とユーザー同意に関するより厳格な審査に備えるべきです。

あなたができること

• 「Dessa」のAPIリリースや開発者プレビューの可能性について、Blockの発表を監視してください。
• テキストの仲介を取り除くことで遅延や感情の忠実性が改善されるかどうかを確認するために、現在の音声スタックを評価してください。
• ディープフェイク音声などの潜在的な誤用シナリオに備えるため、音声AIの安全ガイドラインを検討してください。
• MacBook M4 Maxなどのハードウェアでローカル推論機能をテストし、デバイス内モデルのリソース制約を理解してください。
• 現実的な音声エージェントのテストと展開に関するベストプラクティスの最新情報を得るために、安全性研究コミュニティに参加してください。
• ゲームやサポートなど、特定のアプリケーションドメインにおいて、全二重インタラクションがユーザー体験をどのように向上させるかを検討してください。