Jack Dorseys Technologie- und Fintech-Konzern Block überrascht die KI-Entwicklergemeinde mit einem radikalen Forschungsprojekt: Das Unternehmen stellte am 23. Oktober 2026 ein experimentelles Sprachmodell namens Dessa vor. Während etablierte Sprachassistenten und multimodale Systeme wie ChatGPT Voice oder Googles Sprachfunktionen gesprochene Sprache bisher im Kern über Texttranskripte und Text-Token verarbeiten, ging das Forschungsteam bei Block einen völlig anderen Weg: Dessa wurde von Grund auf ausschließlich mit Audioaufnahmen menschlicher Unterhaltungen trainiert - ohne ein einziges geschriebenes Wort, ohne Bücher und ohne Vorab-Trainingsdaten aus dem Web.
Nach Angaben der Entwickler soll das System das Sprechen genau so erlernt haben wie ein menschliches Kleinkind: rein durch kontinuierliches Zuhören. Auf der Projektseite block.xyz/dessa veröffentlichte das Team erste Hörproben, die das Modell in ungeskripteten Dialogen mit echten Personen und anderen KI-Stimmen zeigen.
Der Sprung vom Text-Token zur reinen Akustik
Die überwiegende Mehrheit heutiger Sprachassistenten basiert auf einer dreistufigen Kaskade: Ein automatisches Spracherkennungssystem (ASR) transkribiert das Gehörte in geschriebenen Text. Ein großes Sprachmodell (LLM) berechnet daraufhin eine Textantwort, die anschließend von einem Sprachsynthese-System (TTS) wieder in Schallwellen umgewandelt wird. Selbst neuere Ansätze mit nativen Audio-Tokens, wie sie bei OpenAIs bidirektionalen Sprachmodellen oder Googles multimodalen Echtzeit-Schnittstellen zum Einsatz kommen, stützen ihr Weltwissen primär auf gewaltige Textkorpora.
Block kritisiert genau diesen Zwischenschritt über den Text. Beim Umweg über Buchstaben gehe der Großteil menschlicher Kommunikationssignale verloren: Sarkasmus, ironische Betonungen, nervöse Atempausen, leises Schluchzen oder spontanes Kichern lassen sich in reinen Buchstabenfolgen kaum abbilden. Werde Sprache auf Text reduziert, verliere das Modell das Gespür für Nuancen. Dessa verarbeite Audiosignale deshalb direkt: Ton rein, Ton raus, ohne interne Textrepräsentation.
Ragavan Thurairatnam, Leiter des Forschungsteams bei Block und Mitgründer des 2020 von Block übernommenen Torontoer Start-ups Dessa, bezeichnete den Launch auf X euphorisch als „GPT-3-Moment für Sprache“. Das Team forsche seit mehr als acht Jahren an generativen Audioarchitekturen und berichte innerhalb des Konzerns direkt an Jack Dorsey, dessen unkonventionelle Managementstrukturen wir bereits bei Dorseys radikalem Organisationsmodell beleuchtet haben.
Echter Duplex-Betrieb statt Walkie-Talkie-Wartezeit
Der auffälligste Unterschied zu herkömmlichen Sprachassistenten liegt im Gesprächsfluss. Herkömmliche Systeme arbeiten weitgehend halb-duplex: Sie lauschen, signalisieren das Ende der Spracheingabe, rechnen für einige hundert Millisekunden und antworten erst dann. Dessa operiert laut Block als echtes „Full-Duplex“-System. Das Modell hört kontinuierlich zu, während es selbst spricht.
In den bereitgestellten Aufnahmen reagiert das System auf Unterbrechungen ohne spürbare Verzögerung. Es streut spontane Rückkanalsignale ein („yeah“, „verstehe“, „oh“), lacht mitten in einem unvollendeten Satz los, wenn die Gegenseite eine Pointe setzt, und passt Lautstärke und Sprechtempo dynamisch an. Wird der Sprecher leiser, reagiert die KI gedämpfter; bittet man sie lauter zu sprechen, hebt sie die Stimme an - ohne dass ihr dies explizit einprogrammiert worden sei.
Trainiert auf einem einzigen Rack, lauffähig auf dem MacBook
Besondere Aufmerksamkeit in der Fachwelt erregen zwei technische Spezifikationen, die Block auf der Projektseite nennt. Zum einen sei das gesamte Modell auf einem einzigen Nvidia-Rack des Typs GB200 NVL72 trainiert worden. Zum anderen laufe die Inferenz schneller als in Echtzeit lokal auf gewöhnlicher Endnutzer-Hardware - konkret nennt Block ein MacBook Pro mit Apple-Silicon-Chip (M4 Max oder besser).
Dass ein System dieser Komplexität mit vergleichsweise kompakten Ressourcen trainiert werden konnte, begründet das Team mit einer deutlich höheren Daten- und Lerneffizienz bezogen auf die reine Wortanzahl. Während klassische Text-LLMs hunderte Milliarden oder Billionen Text-Token verschlingen müssen, habe Dessa Sprachstrukturen aus einem Bruchteil des Wortmaterials gelernt. Allerdings sei die Hürde auf Datenebene ungleich höher: Ein einzelnes gesprochenes Wort belege im Frequenzspektrum tausendfach mehr Bytes als derselbe Text in ASCII-Zeichen, und im Gegensatz zu statischem Text wiederhole sich ein gesprochener Satz niemals identisch.
Reaktionen der Community und offene Fragen zum Weltwissen
Auf Social Media lösten die Hörbeispiele gemischte, aber überwiegend faszinierte Reaktionen aus. Branchenbeobachter hoben hervor, wie beunruhigend menschlich das Timing der Sprachübergänge wirke.
Trotz der eindrucksvollen Audiowiedergabe wirft der reine Audioansatz fundamentale Fragen auf, die Block bisher nicht beantwortet hat:
- Fehlendes enzyklopädisches Wissen: Das gesammelte Faktenwissen der Menschheit liegt primär in Textform vor - in Fachbüchern, Gesetzestexten, wissenschaftlichen Papern und Programmiercode. Wer ein Modell ausschließlich mit gesprochenen Alltagsdialogen füttert, beraubt es des Zugangs zu dieser Wissensbasis. Zwar könne Dessa laut Block einfache Fakten aus gehörten Unterhaltungen memorieren, als Wissensdatenbank oder Werkzeug für komplexe logische Schlüsse ist das Modell konzeptionell jedoch nicht ausgelegt.
- Ungelöstes Alignment und Audio-Zensur: Bisherige Sicherheitsmechanismen gegen Hassrede, Betrug oder Falschinformationen setzen auf Text-Klassifikatoren. Bei einem reinen Wellenform-Modell greifen etablierte Textfilter nicht. Emotionale Manipulation, Stimmenimitation oder verbale Täuschungen lassen sich auf akustischer Ebene ungleich schwerer kontrollieren. Block öffnet das Modell deshalb vorerst nur für ausgewählte KI-Sicherheitsforscher.
- Mangelnde Transparenz: Weder Open-Source-Gewichte noch ein wissenschaftliches Whitepaper wurden veröffentlicht. Die Öffentlichkeit kann die Leistungsfähigkeit bislang nur anhand von Kurzdemos beurteilen, was Raum für Skepsis bezüglich möglicher Überanpassung (Overfitting) an Testdialoge lässt.
Dessa verdeutlicht dennoch eine richtungsweisende Erkenntnis für Sprachschnittstellen: Um die Illusion einer echten menschlichen Unterhaltung zu erzeugen, kommt es weit weniger auf die Billionen Fakten eines Großmodells an als auf Latenz, Tonfall und Rhythmus. Für Entwickler spezialisierter Voice-Agenten, wie sie etwa bei Grok Voice Think Fast oder in modernen Telefonassistenten erprobt werden, liefert Blocks Experiment einen wertvollen Hinweis darauf, wohin sich lokale Stimmmodelle in den kommenden Monaten entwickeln dürften.
🎯 Was das für die Praxis bedeutet
1. Kaskaden-Architekturen vor der Ablösung: Die klassische Dreiteilung aus Spracherkennung, Textmodell und Sprachsynthese ist für Latenz und Sprachgefühl eine Sackgasse. Native End-to-End-Audiomodelle werden diesen Umweg mittelfristig ersetzen.
2. Lokale Ausführung wird realistisch: Dass ein Full-Duplex-Sprachmodell ohne spürbare Latenz auf einem Consumer-Laptop mit Apple Silicon lauffähig ist, eröffnet neue Perspektiven für datenschutzkonforme Sprachassistenten am Arbeitsplatz.
3. Kein Ersatz für Wissensmodelle: Reine Sprach-zu-Sprache-Systeme eignen sich vorerst für Empathie, Begleitung und einfache Auskünfte, nicht aber als Ersatz für recherche- und codefähige Arbeitsplatz-LLMs.
Anzeige · Buch und Angebot von Markus Kirchmair
Noch ein Tool. Oder endlich weniger Arbeit?
Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.
