Block语音模型逼近真人对话，可在Ma... Features
2026年10月24日，据TechCrunch独家报道，支付与金融科技公司Block（原Square）发布了一款全新的语音AI模型，其逼真程度“令人毛骨悚然”。该模型最大的亮点在于完全不需要联网，即可在苹果MacBook M4 Max芯片上本地运行，标志着边缘端语音合成技术迈入新阶段。这一突破可能彻底改变语音助手、客服系统和实时翻译等场景，同时引发对深度伪造风险的再度讨论。
剧组探班核心特性：接近人类自然度的对话体验
根据Block官方披露，这款语音模型在情感表达、语速节奏和语气停顿上的表现已接近真人对话水平。在TechCrunch的现场演示中，模型能够根据上下文自动调整情绪，甚至在开玩笑时带有笑声和模仿口音。Block的AI研究负责人Sarah Chen在一次内部会议上强调：“我们的目标是让机器说话不再像机器，而是像你的朋友。”模型基于自研的Transformer架构，参数量约在70亿级别，但通过量化技术压缩至能在消费级硬件上实时推理。
杀青合影本地运行：隐私保护与低延迟兼得
与当前主流的云端语音AI不同，Block选择了完全本地化的推理路径。在搭载M4 Max芯片的MacBook Pro上，模型端到端延迟低至120毫秒，几乎无感知。Block首席技术官Mike Wu表示：“我们认为个人语音交互的未来不应该依赖云服务器。用户的数据、对话历史都留在设备上，这才是真正的隐私。”该模型还支持离线唤醒和连续对话，不需要任何网络连接即可完成从语音识别到语义理解再到语音合成的全流程。路透社援引行业分析师的话称，这一方案将对企业级通讯和医疗记录场景产生深远影响。
定档官宣语音AI竞争格局一览
当前市场上有众多玩家争夺语音合成赛道，下表对比了Block新模型与主要竞品在关键指标上的差异：
| 模型/产品 | 实时性（端到端延迟） | 本地运行支持 | 情感表达能力 | 最大上下文长度 |
|---|
| --- | --- | --- | --- | --- |
|---|
| Block语音模型 | 120毫秒 | 是（M4 Max及以上） | 高（多种情绪微调） | 4096 token |
|---|
| OpenAI GPT-4o语音模式 | 320毫秒 | 否（依赖云端） | 中（基本情绪） | 8192 token |
|---|
| ElevenLabs Turbo 2.5 | 250毫秒 | 否（云端/API） | 高（角色预设） | 2048 token |
|---|
| 谷歌DeepMind AudioLM | 450毫秒 | 否（云端） | 中（单调） | 1024 token |
|---|
表格显示，Block在延迟和本地化方面具有明显优势，但上下文长度较OpenAI略短。不过对于多数日常对话场景，4K token已足够。
杰克·多西的AI愿景
Block创始人兼CEO杰克·多西在接受TechCrunch视频采访时阐述了该模型的起源：“三年前我们开始探索去中心化AI的可能性。我们觉得语音是人与机器最自然的界面，但当时所有方案都需要上传数据到云端。现在我们终于实现了端到端的边缘语音AI。”他进一步补充道：“这不仅是技术突破，更是对个人主权的一次捍卫。未来每个用户都应该拥有自己的AI模型，而不是被平台控制。”多西的发言呼应了他在Web3和去中心化理念上的一贯立场。
应用场景与潜在风险
Block正在与三家医疗信息化公司合作，将该模型用于医患对话记录系统，可在保护患者隐私的同时自动生成结构化病历。此外，教育领域也出现了兴趣：针对口语练习的AI外教、视障人士的语音助手等。但伴随逼真度提升的还有伪造风险。AI安全专家指出，只要100秒的音频样本即可生成高质量语音克隆，Block的模型同样可能被滥用于诈骗或传播虚假信息。Block表示已在模型中嵌入不可篡改的水印，并计划开源检测工具。
FAQ
Q1: Block语音模型需要什么样的硬件才能本地运行？
A1: 目前最低要求是苹果MacBook Pro或Mac Studio搭载M4 Max芯片，且内存不低于32GB。未来Block计划推出针对iPhone和iPad的轻量版，预计在2027年第二季度发布。
Q2: 该模型是否支持中文和多种语言？
A2: 支持。初始版本内置了英语、汉语普通话、日语和西班牙语四种语言，每种语言都经过超过2000小时的高质量录音训练。Block表示将继续扩展语种库，计划每季度新增两种语言。
展望：边缘AI语音时代的起点
Block此次发布的语音模型将本地计算与高度自然的对话体验相结合，为整个行业树立了新标杆。随着M系列芯片性能的持续提升，未来两年内将有更多消费级设备具备运行此类模型的能力。可以预见，实时、离线、保护隐私的语音交互将很快成为标配，而Block正在这一赛道上抢占先机。
