Sprach-KI Dessa: Block zeigt, wie menschlich Telefon-KI wird
25. Oktober 2026
KI-generiert, redaktionell von 8thsense ausgewählt, geprüft und freigegeben. EU AI Act, Art. 50
Block, das Unternehmen hinter Square und Cash App, hat mit Dessa eine Sprach-KI vorgestellt, die gleichzeitig zuhört und spricht, ins Wort fällt, lacht, seufzt und Ironie erkennt. Laut Block läuft das Modell lokal auf einem leistungsstarken Laptop. Noch ist Dessa ein Forschungsprojekt ohne öffentlichen Zugang. Für Geschäftsführer mit viel Telefonkontakt zeigt es aber schon jetzt, wohin sich Sprach-KI entwickelt: Sie klingt bald so menschlich, dass Anrufer den Unterschied kaum noch hören. Genau das macht Transparenz zur Pflicht.
Was Block mit Dessa vorgestellt hat
Dessa ist nach Angaben von Block ein reines Speech-to-Speech-Modell: Audio geht hinein, Audio kommt heraus. Anders als die meisten Sprachassistenten wandelt es Gesprochenes nicht erst in Text um, um es dann von einem Sprachmodell beantworten zu lassen. Block betont, das Modell sei von Grund auf nur mit menschlicher Sprache trainiert worden, ohne Textdaten und ohne vortrainierte Modelle (Quelle: block.xyz). Trainiert wurde laut Block auf einem einzelnen Nvidia GB200 NVL72, also einem Server-Rack, nicht auf einem riesigen Rechenzentrum. Hinter dem Projekt steht ein kleines Forschungslabor, das von ehemaligen Mitgliedern des Toronto-Startups Dessa gegründet wurde und direkt an Jack Dorsey berichtet. Firmenchef Dorsey schrieb dazu auf X, Sprache sei die natürlichste Art, mit Intelligenz zu interagieren (Quelle: techcrunch.com).
Gleichzeitig zuhören und sprechen
Der eigentliche Unterschied zu heutigen Telefonbots liegt im sogenannten Vollduplex-Betrieb. Klassische Sprachassistenten arbeiten wie ein Funkgerät: Erst spricht der Mensch, dann die Maschine. Dessa dagegen hört weiter zu, während es redet, und reagiert mit kurzen Rückmeldungen wie „yeah!” oder „got it!”. Laut Block erkennt und erzeugt das Modell:
Emotionen und Sarkasmus in der Stimme des Gegenübers,
Lachen, Seufzer und brechende Stimme,
natürliche Pausen und Unterbrechungen im Gesprächsfluss,
Antworten schneller als in Echtzeit, eine konkrete Latenz nennt Block allerdings nicht.
Die Demos, über die TechCrunch berichtet, zeigen einen Bot, der müde klingt, wenn er sagt, er sei müde von der Arbeit, und einen anderen, der beim Gespräch über seinen Entwickler hörbar gerührt wirkt. Laut The Decoder ordnet Block das Projekt ausdrücklich auch als Sicherheitsthema ein: Heutige Sprach-KI sei für Emotionen in der Stimme nahezu taub (Quelle: the-decoder.com).
Was noch fehlt: Zugang, Zahlen, Deutsch
So beeindruckend die Aufnahmen klingen, Dessa ist kein Produkt. Es gibt keine API, keine Preise und keinen Veröffentlichungstermin. Zugang erhält vorerst nur eine kleine Gruppe von KI-Sicherheitsforschern mit institutioneller E-Mail-Adresse, alle anderen landen auf einer Warteliste. Block nennt weder die Modellgröße noch Benchmarks, auch eine Lizenz oder offene Modellgewichte werden nicht erwähnt. Zu unterstützten Sprachen macht Block keine Angaben, Deutsch taucht auf der Projektseite nicht auf. Beim lokalen Betrieb unterscheiden sich die Angaben leicht: Block nennt ein MacBook Pro mit M4 Max oder besser, TechCrunch spricht allgemeiner von einem MacBook mit M4 Max. Und The Decoder erinnert zu Recht daran, dass emotional zu klingen nicht dasselbe ist wie zu verstehen. Für ein Kundengespräch zählt am Ende, ob die Auskunft stimmt, nicht nur, wie warm sie klingt.
Warum Transparenz zur Pflicht wird
Je menschlicher eine Stimme klingt, desto wichtiger wird die Frage, ob Anrufer wissen, mit wem sie sprechen. Block selbst sucht Sicherheitsforscher gerade für Szenarien, in denen ein Sprachagent Menschen am anderen Ende täuschen könnte. In der EU ist die Antwort rechtlich bereits gegeben: Artikel 50 der KI-Verordnung verlangt, dass KI-Systeme, die direkt mit Menschen interagieren, so gestaltet sind, dass diese erfahren, dass sie mit einer KI sprechen. Ausgenommen ist nur, was für eine verständige Person ohnehin offensichtlich ist. Synthetische Audioinhalte müssen zudem maschinenlesbar als künstlich erzeugt erkennbar sein. Die Regeln gelten laut Artikel 113 seit dem 2. August 2026 (Quelle: artificialintelligenceact.eu). Bei einer Stimme wie Dessa ist „offensichtlich” gerade nicht mehr gegeben. Ein klarer Hinweis zu Beginn des Gesprächs ist damit Pflicht.
Was das für Unternehmen bedeutet
Kurzfristig ändert Dessa für mittelständische Betriebe nichts, denn nutzen lässt es sich nicht. Die Richtung ist aber klar: Sprach-KI für Terminannahme, Rückrufwünsche oder Öffnungszeiten wird natürlicher und dürfte mittelfristig auch lokal laufen, ohne dass Gesprächsdaten in eine US-Cloud gehen. Für Pflegevermittlungen, Praxen, Tanzschulen oder Handwerksbetriebe, deren Telefon ständig klingelt, ist das interessant. Wer heute einen Telefonassistenten plant, sollte daher nicht auf das perfekte Modell warten, sondern die Abläufe dahinter klären: Welche Anliegen darf die KI abschließend erledigen, wann übergibt sie an einen Menschen, und wie landen Termine im Kalender oder in der Branchensoftware? Solche Fragen der Prozessautomatisierung entscheiden über den Nutzen, nicht die Stimmfarbe.
Ebenso wichtig ist der Umgang mit Vertrauen. Ein kurzer Satz wie „Sie sprechen mit dem digitalen Assistenten der Praxis, ich kann Termine vereinbaren oder Sie verbinden” erfüllt die Hinweispflicht und nimmt älteren Anrufern die Unsicherheit. Gerade in Pflege und Gesundheit, wo Anrufer oft in belastenden Situationen anrufen, wäre eine KI, die Mitgefühl täuschend echt simuliert und sich nicht zu erkennen gibt, ein Vertrauensbruch. Gute Sprach-KI im Mittelstand ist deshalb ehrlich über ihre Natur, kennt ihre Grenzen und reicht schwierige Gespräche zuverlässig an Menschen weiter.