AI语音逼真到让人怀疑人生：Dessa是演示还是真实？

最近，Reddit上一段AI语音演示引发了激烈讨论。用户惊叹“Crazy realistic now. We're cooked.”（现在逼真得吓人，我们完蛋了），但也有人质疑：除非Dessa正式发布，否则这只是一场精心策划的骗局。

演示效果：从“狼崽没事”到“工作很难”

让网友破防的是一段对话。AI在模拟家庭场景时说出“Wolfie's fine, honey. Wolfie's just fine. Where are you?”（狼崽没事，亲爱的。狼崽没事。你在哪？），随后又精准地接上“he's smart”（他很聪明），语调从上一句滑入下一句，毫无断层。有用户评论：“骄傲地说出儿子名字的那一刻，我鸡皮疙瘩起来了。”

另一句“Work is tough”（工作很难）也被反复提及——太像真人了，甚至带着疲惫的叹息感。这种细节让部分人坚信“这就是真人录音”，但也有人反驳：“这些被商业演示冲昏头脑的人，等真正发布再说吧。”

技术脉络：Moshi → Sesame → Dessa？

有用户指出，Dessa并非OpenAI的项目，而是属于block.xyz。并推测其技术传承可能是“moshi -> sesame -> dessa”。虽然这一说法未获官方证实，但Moshi和Sesame确实都是近期在实时语音交互领域引起关注的项目，如果Dessa站在它们肩上，那逼真度也就不足为奇了。

Moshi 是由法国 AI 公司 Kyutai 于 2024 年发布的一款全双工实时语音对话模型。与传统"轮流发言"的语音助手不同，Moshi 能够同时聆听和说话，从而支持自然的打断、附和以及情绪化回应，其端到端延迟低至约 200 毫秒。它采用统一的语音-文本建模架构，将音频直接编码为离散 token，绕过了传统的"语音识别→文本生成→语音合成"三段式流水线，这也是其听感更接近真人的重要原因。

Sesame 则是前 Oculus 团队创立的公司 Sesame AI 推出的对话语音模型（如 CSM 系列）。它同样强调低延迟、富有情感和韵律变化的语音生成，并因 2025 年初公开的演示而广受关注——许多听众表示其语音已难以与真人区分。Sesame 的核心思路是将语音视为一种需要理解上下文与对话意图的生成任务，而非简单的文本转语音。若 Dessa 确实延续了 Moshi 与 Sesame 的技术路线，其逼真度便有迹可循。

质疑与期待并存

“直到他们真的发布Dessa，我都认为这是个骗局，那些就是真人。”这种观点在评论区并不孤单。许多人被各种“狼来了”的演示伤过心，对商业demo保持警惕。但也有人表示自己已经和AI agent对话过，“ITS REAL”（这是真的）。

无论Dessa最终是惊艳亮相还是跌落神坛，这场讨论都折射出同一个事实：AI语音的“恐怖谷”正在被填平。当机器能精准复刻人类语调中的犹豫、骄傲和疲惫时，我们或许真的需要重新思考“真实”的定义了。

恐怖谷理论（Uncanny Valley）由日本机器人学家森政弘于 1970 年提出，最初描述的是人类对类人机器人的情感反应：当机器人的外观与人越来越相似、但尚未完全相同时，人的好感度会急剧下降，产生不适甚至恐惧；只有当相似度跨过某个临界点、几乎无法区分时，好感才会重新回升。这一理论后来被广泛用于评价语音合成、虚拟人和动画角色。文章所说的"恐怖谷正在被填平"，指的正是 AI 语音在韵律、停顿、情绪起伏等细节上已逼近真人，使得过去那种"像人却又不像人"的违和感明显减弱。这也解释了为何听众会在惊叹与怀疑之间摇摆——当合成语音足够逼真时，人们反而更难相信它出自机器。