Block stellt Dessa vor: Ein natives Sprachmodell ohne Texttranskription

Ein radikaler Ansatz: Native Sprachintelligenz

Am 23. Oktober 2026 kündigte Block die Veröffentlichung von Dessa an, einem speziell für die Sprachinteraktion entwickelten KI-Modell. Im Gegensatz zu den meisten aktuellen Assistenten, die auf einer Verarbeitungskette angewiesen sind, die Audio in Text umwandelt, verarbeitet und dann wieder synthetisiert, arbeitet Dessa als End-to-End-Sprach-zu-Sprach-System. Das bedeutet, dass das Modell Audio empfängt und Audio erzeugt, ohne eine Zwischenstufe der textuellen Transkription durchlaufen zu müssen.

Das Unternehmen beschreibt diesen Ansatz als Experiment in der 'nativsprachlichen Intelligenz'. Die Prämisse lautet, dass ein Modell, ähnlich wie Menschen, die eine Sprache hören, bevor sie lesen, sprachliche und konversationelle Fähigkeiten direkt aus akustischen Signalen erwerben kann. Block hat absichtlich jegliches Vor-Training auf Basis von Büchern, Webseiten oder Textdatensätzen ausgeschlossen, um zu untersuchen, welche Fähigkeiten entstehen, wenn ein Modell ausschließlich der Dynamik menschlicher Gespräche ausgesetzt wird.

Voll-Duplex-Architektur und Dialogsteuerung

Eines der technisch herausragendsten Merkmale von Dessa ist seine Fähigkeit, im Voll-Duplex-Modus zu arbeiten. In der Praxis bedeutet dies, dass das System gleichzeitig zuhört und spricht, was das Verhalten eines echten Telefonats nachahmt. Das Modell kann auf Unterbrechungen des Nutzers reagieren, während der Gesprächspartner spricht, Erkennungslaute (wie 'ja' oder 'achso') einstreuen und sein Tempo an das des Gesprächs anpassen.

Diese Architektur ermöglicht es dem Modell, nicht-verbale Signale zu erfassen, die für die natürliche Kommunikation entscheidend sind. Laut den Materialien von Block steuert Dessa den Rhythmus und die emotionalen Aspekte des Dialogs, einschließlich der Erkennung von Sarkasmus, Ironie oder Veränderungen des emotionalen Zustands des Sprechers. Die öffentlichen Demos zeigten das Modell dabei, wie es leise lacht, die Lautstärke auf Anforderung erhöht und Sätze vervollständigt, obwohl auch gelegentliche Fehler beobachtet wurden, wie etwa die falsche Ansprache eines Nutzers mit einem fremden Namen.

Ausschließliches Training mit menschlichem Audio

Das Forschungsteam von Block, geleitet von Ragavan Thurairatnam, trainierte Dessa ausschließlich mit Audio menschlicher Gespräche. Das Unternehmen behauptet, dass keine Textdaten oder vortrainierten Modelle in geschriebener Sprache verwendet wurden. Diese Methode zielt darauf ab, die Spracherwerbsprozesse bei Menschen nachzuahmen, bei denen der auditive Input die primäre Lernquelle ist, bevor die Exposition gegenüber Schrift erfolgt.

Laut den Aussagen des Unternehmens ermöglicht dieser Ansatz dem Modell, die Struktur der Sprache, soziale Konversationsnormen und emotionale Signale direkt aus der Quelle zu lernen. Analysten weisen jedoch darauf hin, dass diese Methodik offene Fragen aufwirft, wie effizient das Modell konkrete Fakten oder strukturiertes Wissen erwirbt, einem Bereich, in dem textbasierte Modelle aufgrund der Informationsdichte in geschriebenen Korpora oft einen klaren Vorteil haben.

Hardwareanforderungen und lokale Ausführung

Block hat die rechnerische Effizienz von Dessa hervorgehoben. Das Unternehmen behauptet, dass das Training des Modells auf einem einzigen NVIDIA GB200 NVL72-Rack durchgeführt wurde, einer Konfiguration, die deutlich kleiner ist als die, die für das Training textbasierter Frontier-Sprachmodelle verwendet wird, die oft zehntausende von Beschleunigern erfordern.

Was die Inferenz betrifft, so gibt Block an, dass Dessa schneller als in Echtzeit auf einem MacBook Pro M4 Max oder höher ausgeführt wird. Dies deutet darauf hin, dass das Modell eine Parametergröße und einen Speicherbedarf hat, die seine Ausführung auf High-End-Verbrauchshardware ermöglichen. Die Fähigkeit, das Modell lokal auszuführen, hat wichtige Implikationen für die Privatsphäre, da die Gespräche nicht an externe Server zur Verarbeitung gesendet werden müssen.

Eingeschränkter Zugang und Risikobewertung

Trotz der Ankündigung ist Dessa für die allgemeine Öffentlichkeit nicht verfügbar. Block hat den frühen Zugang auf eine kleine Gruppe von Forschern im Bereich der KI-Sicherheit beschränkt. Das Unternehmen erklärte, dass sein Ziel darin besteht, die Implikationen und Risiken eines Sprachmodells zu untersuchen, das überzeugend menschlich klingt und auf emotionale Signale reagiert.

Die Hauptbedenken drehen sich um Identitätsdiebstahl und die Manipulation von Vertrauen. Im Gegensatz zu Text-Chatbots hat eine Stimme, die emotionale Nuancen erkennen und darauf reagieren kann, ein größeres Potenzial, für Betrug oder zur Beeinflussung der Entscheidungsfindung von Nutzern missbraucht zu werden. Block hat angegeben, dass es eine externe Bewertung des Verhaltens des Modells vor einer breiteren Verteilung wünscht und anerkennt, dass die öffentlichen Demos, obwohl vielversprechend, keine ausreichende Grundlage darstellen, um die allgemeine Zuverlässigkeit des Systems zu behaupten.

Weiter entdecken

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.