据 The Decoder 报道，Block 发布了 Dessa，这是一个完全基于人类语音而非文本转录训练的语音模型。其既定目标是捕捉基于文本的模型所遗漏的情绪和韵律线索。TechCrunch 称其生成的语音输出听起来明显像真人。此次发布正值语音界面成为 agent 产品常见前端之际。
对 agent 构建者而言，重点不在演示本身，而在于信号面。一个能读取情绪和韵律的模型，为语音 agent 提供了额外的输入，可据以设限：升级转人工、在不可逆操作前请求确认，或调整回应语气。这些限制的可靠性取决于其背后的评估，而仅用语音训练会改变失效模式。基于文本训练的系统通常测试转录准确率和意图分类；而仅用语音训练的模型则必须针对情绪误读、方言和口音差异、背景噪声，以及听起来自信但实际错误的情绪推断进行探查。
所提供的报道并未说明 Dessa 在上述任何方面的表现。文中未描述任何基准测试、错误率或评估方法，确切架构和训练数据构成也仍不清楚。考虑将其用于生产语音流水线的团队，应将情绪推断视为概率性信号而非真实基准，并在让其驱动限制逻辑之前构建自己的测试集。