2026年10月24日，一篇針對語音情緒辨識模型的分析文章指出，Block 公開的 Dessa 對話示範雖然吸睛，但產品團隊在導入這類模型前，有幾個更基本的問題該先回答。這件事值得整理，是因為語音介面正在從「轉文字再回答」走向「直接聽聲音」，評估方法卻還沒跟上。
Block 對 Dessa 的描述是：以人類對話音訊訓練的全雙工語音模型，能同時接收與輸出語音，並可在 MacBook Pro M4 Max 或更高規格設備本機運行。示範影片裡，模型會笑、會停頓、會隨語氣變化回應，也容許即時插話。但這些目前都是廠商說法與錄製示範，TechCrunch 報導指出 Dessa 仍屬研究預覽，未向一般開發者開放，僅有限安全研究者可申請測試。
第一個判斷：先問產品到底需要辨識什麼。如果需求只是知道使用者何時說完、有沒有插話，情緒辨識可能根本是多餘的能力；如果要依聲音推測壓力、疼痛或心理狀態，錯判的代價就完全不同。需求定義不清，後面的選型都是在猜。
第二個判斷：把「聽起來像人」和「判斷可靠」拆開驗收。示範裡出現的笑聲或疲倦語氣，是模型輸出端的聲音表現，不等於它辨認了對方的感受。若沒有可重現的測試方法、代表性測試資料和錯誤分析，自然的聲音不能推導出準確的情緒判讀。這與我們先前整理過的模型自我評測的盲點是同一類問題：分數或觀感提升，都取代不了對測試條件本身的檢視。
第三個判斷：理解語音轉文字會漏掉什麼。傳統語音助理先把聲音轉成文字，再由語言模型生成答案，最後合成語音播放。這條分段流程裡，韻律（音高、重音、速度、停頓）和非語言聲音容易消失。同一句「我沒事」可以說得平穩、猶豫、帶笑或提高音量，逐字稿只留下字詞。直接處理音訊確實保留較多聲學資訊，但保留線索和解讀線索是兩回事。Kyutai 的 Moshi 研究指出，文字中介流程可能遺失非語言資訊，這描述的是訊號流失，並未宣稱語音模型因此能正確推斷情緒。
第四個判斷：不要把不同產品當成同一題在比較。Dessa 強調純語音訓練與全雙工對話；Hume 的 EVI 結合語言模型與表情訊號，會依使用者聲音表情調整回應，也能辨識何時說完、被打斷時停止，但其產品說明同樣不能證明情緒推論正確；Moshi 則公開了論文、權重與本機執行程式，報告理論延遲 160 毫秒、實際約 200 毫秒。三者的架構、證據等級和授權狀態都不同，採購清單上不該放在同一欄。讀榜單和規格表的謹慎態度，跟讀懂語音模型評測指標是同一套功夫。
第五個判斷：確認硬體、資料治理與退出條件。Block 表示 Dessa 可在特定規格以上的 Mac 本機運行，這對隱私敏感場景是賣點，但團隊仍需實際驗證硬體需求、延遲表現與使用條件。Dessa 頁面目前以產品說明和錄製示範為主，尚未提供獨立基準測試、完整技術細節、公開權重或明確授權條款。語音資料涉及人的聲音特徵，蒐集、儲存與刪除的規則，以及換掉模型時資料帶不帶得走，都該在導入前寫進合約與流程。
對正在規劃語音產品的團隊，收斂成一個可用原則：把「聲音互動品質」和「情緒判讀可靠性」當成兩份驗收文件。前者可以靠示範與主觀測試評估，後者必須有測試語料、錯誤分析和明確的失效處理設計。Dessa 示範的方向值得追蹤，但在獨立測試出現之前，它告訴我們的是語音互動的可能樣貌，而不是情緒辨識已經可用的保證。