一台笔记本能跑、一个机柜才训得出来:Dessa 划出的语音模型采购分界线
先把事实摆清楚
10 月 23 日,Block 旗下那个很小的研究团队公开了 Dessa:一个全双工、边说边听的语音到语音模型。它真正特别的地方不在效果,而在训练方式——没有文本语料,没有预训练底座,全部知识来自人类对话的音频。官方给出的部署条件同样直白:本地运行,门槛是一台 M4 Max 起的 MacBook Pro;训练侧只用了一台 NVIDIA GB200 NVL72。官方也顺手把门关上了:没有权重、没有论文、没有 API,只有一个公开 waitlist,以及给少数安全研究者的早期访问名额。
72 比 1,硬件账比宣传话更值得看
GB200 NVL72 是一整机柜:36 颗 Grace CPU、72 颗 Blackwell GPU、13.4TB HBM3E、130TB/s 的 NVLink 域,FP8 稀疏算力 720 PFLOPS(NVIDIA 官方规格)。推理侧是一台笔记本。于是出现了一个 72 比 1 的结构:训练端整机柜、液冷、72 颗 GPU,推理端 1 台终端设备。
这个比例对自建决策的意义很直接:语音类模型的私有化门槛压在训练,不压在推理。真正贵的是把基座训出来的那一轮,权重一旦稳定,落到单机终端就能提供服务。所以如果企业按服务器 GPU 小时去估语音模型的推理成本,在 72 比 1 的结构下整个预算模型是失真的;反过来,如果以为训练也能靠单卡拼出来,那连一轮迭代都跑不完。选型时先问一句:你要买的是训练能力,还是推理能力?这两件事的价格相差两个数量级。
没披露的三项,正好是采购最需要的三项
参数量、训练数据量、延迟指标,官方一个都没给,第三方报道也确认这三项缺失。团队负责人在社交平台上说它能跑在消费级 GPU 上,这属于厂商自报,目前没有独立实测。后果是具体的:显存占用算不出来,容量规划做不了,压测基线也无从谈起。任何一份写进 2027 预算的方案,只要把 Dessa 列为候选,就必须在验收条款里补四条——权重交付形态、显存占用上限、首字延迟、打断响应时延,否则到货那天无法判定是否合格。
数据效率这层,才是我最在意的
官方口径有两句话值得抄进方案评审:一是 Dessa 学语言所用的词量,比大模型少数百倍;二是同样一个词,音频的字节数是文本的数千倍。两句放在一起看,结论很清楚:这类模型的瓶颈不在堆卡,而在把不重复、带情绪、能被打断的音频,转成可学习的样本。一个机柜就能训完,恰好说明数据工程的收益可以替掉一部分算力规模。对中小机构来说,这是第一次出现自研语音基座进入单机柜预算区间的样本;但要留意它只覆盖语音,且是否包含强化学习阶段并未披露。
三条可以今天就执行的判断
一,现在不要写进预算。零权重、零 API、一次 waitlist,不具备可部署性,商务上只能按观察项挂着,季度复盘时看一眼开放进度即可。
二,要试就试开源全双工路线。开源侧已经有 90 亿参数级的全双工模型,单卡或高端终端就能跑出可用的打断响应。客服、质检、外呼这些场景,先用开源栈在 1 台到 4 台机器上做四周试点,成本可控,还能顺手拿到自家语料的真实延迟曲线,这比等一个闭源内测名额更划算。
三,把人压在音频清洗上。按上面那两句数据效率结论,同样预算下,数据处理与人耳校准的边际收益高于多买卡。试点阶段建议按 1 名算法、2 名数据处理、1 台终端的最小单元起步,先跑通单场景单语种,再谈扩容与多语言。
一句观察:这一轮的竞争已经从谁的模型更聪明,转向谁把部署条件写得更清楚。Dessa 敢同时说出训练一个机柜、推理一台笔记本,本身就是一种硬件选型表态;但它不给权重、不给数字,也提醒我们,宣传里说的本地可跑,和真正能私有化交付之间,还隔着四份验收文档。
来源:Block 官方发布页(2026-10-23)、The Verge、Unite.AI、NVIDIA GB200 NVL72 规格页。未披露指标以厂商自报为准。