Jack Dorsey・BlockのDessa：テキスト不使用の音声AIが「人間すぎる」と話題になった理由

「これまで人工的なものでこんなに人間らしく聞こえたものはなかった」。X（旧Twitter）にそう書き込んだユーザーのポストは、2026年10月23日の夜に数千件シェアされた（X trending, 2026年10月23日）。同日、Jack DorseyのBlock社が発表した音声AI「Dessa」は、デモ動画が公開されるや否や「人間すぎる」と世界中の注目を集めた。Dessaの何が驚きなのか。そして、その驚きは純粋な称賛だけではない。

Dessaとは何か：Block（Jack Dorsey）が発表した音声専用AI

DessaはBlock社（Jack Dorsey率いる決済・フィンテック企業。かつてのSquare）が2026年10月23日にリサーチプレビューとして公開した音声AI、正確には音声対音声（speech-to-speech）モデルだ（The Decoder, 2026年10月23日）。

DessaをGPT-4oのVoice ModeやClaudeのAudio APIと根本的に異なる存在にしているのは、その学習プロセスだ。通常の大規模言語モデルは人間の書いたテキストで学習し、音声機能はその上に乗っかる形で動く。音声入力は一度テキストに変換（ASR：自動音声認識）され、言語モデルが処理し、そのテキストが音声（TTS：テキスト読み上げ）に変換される。Dessaはこのパイプラインを根本から否定した。

BlockのDessaリード（開発責任者）であるRagavan Thurairatnam氏は「事前学習モデルの流用もなく、テキストもなく、人間の会話音声だけをゼロから学習した」と述べているとcellcog.aiが伝えている（cellcog.ai, 2026年10月23日）。学習に使ったのはNVIDIA GB200 NVL72（GPU72枚相当を搭載するハイエンドラックシステム）を1台のみ。GPT-4等のフロンティアモデル学習が数万GPU規模を要することと比較すれば、格段に少ない計算資源だ。

なぜこれが注目されるのか。人間の会話には、テキストに変換した瞬間に消える情報が大量に存在する。声のトーン、話し方の間（ま）、笑い声、サルカズム（皮肉）を表す微妙な抑揚。「もちろん」という発言でも、快活に言うのと棒読みで言うのでは意味が変わる。これらの情報を音声→テキスト→音声という変換を経ずに直接学習できることが、Dessaの技術的本質だ。

フルデュプレックスとローカル動作：Dessaの二つの技術的特徴

Dessaには二つの注目すべき特徴がある。

一つ目がフルデュプレックス（Full-duplex）動作だ。現在の多くの音声AIは半二重（ハーフデュプレックス）で動く。つまり「あなたが話す、AIが話す」という交互の通信だ。Dessaは人間同士の会話のように、相手の発言中に「うん」「そうだね」といった相槌を打ち、会話に割り込むことができる（Notebookcheck, 2026年10月24日）。このリアルタイムの会話のやり取りが、ユーザーが「人間みたい」と感じる大きな一因とみられる。

二つ目がローカル動作だ。DessaはApple Silicon MacBook Pro M4 Max以上のスペックがあれば、デバイス上でリアルタイムより高速に推論できるとBlockは言う。クラウド依存なしで動作するということは、音声データがサーバーに送信されない可能性があることを意味する（ただし現時点でBlockはプライバシーポリシーの詳細を公開していない）。

現状のアクセス状況は限定的だ。少数のAI安全研究者への早期アクセスのみで、一般ユーザーはウェイトリスト登録待ちとなっている（explainx.ai, 2026年10月）。モデルサイズ、パラメータ数、対応言語の公式発表はまだない。

Dessa音声AIへの反応：驚嘆と詐欺懸念が交錯

Dessaのデモ動画に対するX上の反応は二分された。

驚嘆側の代表的な意見は「会話の間の取り方が今まで聞いたAIと全然違う」というものだ。BinanceのCEOを務めたChangpeng Zhao（CZ）は「教室での活用が楽しみだ」とリポストし、音声AIの教育利用に言及した（coindesk.com, 2026年10月24日）。AI研究者コミュニティでも「テキストを媒介しない学習アプローチは独自路線」と評価する声があった。

懸念側の声は主に詐欺リスクに集中した。CoinDeskの記事タイトルがそれを端的に示す「Block’s New Voice AI Sounds Eerily Human, Sparking Awe and Scam Fears」。日本語に訳せば「Block の新音声AI、不気味なほど人間に近く、驚嘆と詐欺懸念を呼ぶ」だ。

電話詐欺の問題は日本でも深刻だ。警察庁の統計ではオレオレ詐欺を含む特殊詐欺の年間被害額は300〜450億円台で推移している（警察庁特殊詐欺認知・検挙状況, 2023年）。音声を悪用した詐欺が年間数百億円規模の被害を生む日本社会では、Dessaのような「感情を模倣できるとされる音声AI」が持つリスクは無視できない。現状の音声AIでも詐欺に使われているが、Dessaが示すような「テキスト変換なしの感情込みの音声生成」が普及すれば、検知はより困難になる可能性がある。

The News（パキスタン）の記事は「Jack Dorsey’s Block launches Dessa AI voice model, but users aren’t happy（しかしユーザーは喜んでいない）」と批判的な文脈でまとめた（thenews.com.pk, 2026年10月24日）。

Dessa音声AIの可能性とリスク：教育利用から詐欺悪用まで

Dessaのような音声専用AIは、既存のLLMベース音声モデルにはできないことを実現できる可能性がある。

期待できる点は三つある。一つ目は多言語・方言への適応性だ。テキストによる学習を経ない設計は、テキスト資源が少ない言語や方言でも有効かもしれない。二つ目は医療・メンタルヘルス領域への応用だ。うつ状態の患者の声のトーン変化をリアルタイムで検知するといった用途は、テキスト変換を挟むと失われる情報を使う。三つ目はローカル動作によるプライバシー保護だ。クラウドに声のデータを送らずに済む可能性がある（現段階では未確認）。

懸念点も明確だ。第一が前述の詐欺・なりすましリスクだ。感情を込めた声で特定人物の声を模倣した詐欺は、既存の音声詐欺検知システムを突破する可能性がある。AIが作り出した偽のアイデンティティを使ったなりすまし事例はすでに報告されており、音声はその次の戦場だ。第二が検証可能性の欠如だ。Blockはモデルサイズもベンチマークも公開しておらず、主張の独立検証ができない。第三が学習データのライセンス問題だ。「人間の会話音声」の出所が不透明で、著作権・プライバシー問題を将来的に抱える可能性がある。

現時点でDessaは「研究プレビュー」の段階だ。GPT-6のIntelligent UIがテキストUIを刷新したように、音声インターフェースも変革期を迎えつつある。ただしDessaが本当にゲームチェンジャーになるかは、広範公開後の独立した検証次第だ。

関連記事

• AIが作り出した偽のアイデンティティ：AISTのMythos5レポートが示すなりすましリスク — 音声AIが悪用される社会的背景
• Anthropicの感情研究：Claudeは機能的な感情を持つか — 感情情報とAI学習に関連する研究
• AIウェアラブル2026年完全ガイド：OpenAIグラス、Samsungほか比較 — 音声・ウェアラブルAI機器の最新動向

---

本記事の情報はBlock社の公式発表（2026年10月23日）および各報道メディア（The Decoder、Notebookcheck、CoinDesk、thenews.com.pkほか）に基づく。Dessaは執筆時点でリサーチプレビュー段階であり、機能・仕様・提供条件は予告なく変更される可能性がある。Block社はモデルサイズ・ベンチマーク・学習データの詳細を公開しておらず、第三者による独立検証は未実施である。本記事は特定サービスの利用を推奨するものではない。