Block、音声のみで学習した全二重音声モデル「Dessa」を発表——MacBook M4 Maxでローカル動作、テキストを介さず感情を直接生成

2026年10月26日 2026年10月26日

susumoooon

総合スコア

インパクト

新規性

未注目度

衝撃度

証拠強度

実現性

情報源：https://techcrunch.com/2026/10/24/blocks-new-voice-model-sounds-eerily-human/
収集日：2026年10月26日
スコア：インパクト13 / 新規性15 / 注目度10 / 衝撃度17 / 根拠6 / 実現性7 = 68点

変化の核心：音声AIが『音声→テキスト→音声』のパイプラインから、音声のみで学習するend-to-endモデルへ移り、オンデバイスで低コスト運用できる段階に入りつつある。

概要

Jack Dorsey氏が率いるBlockが、人間の音声のみで学習した全二重（同時に話し、同時に聞く）音声対話モデル「Dessa」を公開しました。LLMやテキストを介さないため、笑い・間・涙声といった感情がモデルに内在するとされています。訓練は単一のNVIDIA GPUラックで行われ、M4 Max級の消費者向けPCでローカル動作するといいます。一般公開はされておらず、悪用の検証のために安全性の研究者を募集しています。

何が新しいか

従来の音声対話は、音声をテキストに変換し、言語モデルで処理して、再び音声にするという多段のパイプラインが一般的でした。Dessaはテキストを介さず、音声だけで学習するend-to-endの設計で、感情や間といった非言語情報を直接扱えるとされます。単一のGPUラックで訓練でき、消費者向けPCで動作する点も、大規模な基盤を前提としない方向性を示します。

なぜまだ注目されていないか

一般公開されていないため、実際の音質や応答の自然さを第三者が確認する機会が限られています。報道は発表内容に基づく紹介が中心で、性能は開発元の説明の域を出ません。音声AIの話題は応答速度や声のリアルさに集まりやすく、学習方式がテキスト中心から音声中心に移る点は見落とされがちです。

実現性の根拠

訓練が単一のGPUラックで済み、M4 Max級のPCで動くという説明は、運用コストの低さを示唆します。一方で一般公開はなく、性能は第三者に検証されていません。悪用検証のための安全性研究者の募集は、リスクを認識した段階的な公開姿勢を示しています。

構造分析

テキストを介さない音声モデルが成立すれば、感情表現や会話のタイミングが、後付けの処理ではなくモデルの内部で扱われる構造になります。ローカル動作が可能になると、通信やクラウドの費用に依存しない音声インターフェースが現実的になります。同時に、感情を含む自然な音声を生成できることは、なりすましなどの悪用リスクも高めます。