Was kaum jemand mitbekommt: Eine KI, die nur durch Zuhören sprechen lernte.

Dessa: gelernt nur durch Zuhören

Viele Sprachassistenten wandeln gesprochene Sprache nach Darstellung von Block zuerst in Text um und verlieren dabei, was Text nicht tragen kann: Tonfall, Pausen, Gefühl. Dessa wurde laut Block von Grund auf nur mit menschlichen Gesprächen trainiert: „No text, no pretrained models.“ Block vergleicht das mit Kleinkindern, die sprechen lernen, ohne je ein geschriebenes Wort gesehen zu haben. Ob Dessa damit tatsächlich die erste KI dieser Art ist, lässt Block selbst offen; der Satz dazu beginnt mit „As far as we know“.

Was das Modell können soll, beschreibt Block so: Es hört und spricht gleichzeitig, lacht mitten im Satz, weiß, wann es ins Wort fallen kann, und gibt beim Zuhören kurze Rückmeldungen, wie wir sie mit einem „mhm“ geben. Gefühle, Sarkasmus oder einen frustrierten Seufzer soll Dessa direkt aus der Stimme hören und selbst ausdrücken. Trainiert wurde das Modell auf einem einzigen Serverschrank vom Typ NVIDIA GB200 NVL72, der laut NVIDIA 72 Grafikprozessoren vereint. Laufen soll es lokal auf einem MacBook Pro M4 Max oder einem stärkeren Rechner.

Zu hören ist das in sechs Mitschnitten auf der Projektseite. In einem davon spricht Dessa mit GPT-Live-1, laut Block mit ChatGPT Live. Beide Stimmen sind dort KI-generiert, und der Entwickler von GPT-Live-1 hat Dessa nach Angaben von Block weder geprüft noch gebilligt. Die Mitschnitte stammen von Block selbst, unabhängige Messungen dazu nennt die Seite nicht, ebenso wenig Preise oder eine Lizenz. Dessa ist eine Forschungsvorschau; frühen Zugang bekommt laut Block nur eine kleine Gruppe von KI-Sicherheitsforschern (Stand 29. Oktober 2026). Frühen Zugang erhält zunächst eine kleine Gruppe von Forschern für KI-Sicherheit, die Risiken finden soll, mit denen das Labor nicht gerechnet hat.

Dass eine KI zuhört, während sie spricht, ist nicht mehr ganz neu. Neu ist der Weg dorthin: gesprochene Sprache als einziges Lernmaterial, und ein Ergebnis, das auf einem Laptop läuft.

Genie 4: Welten in Echtzeit, jetzt mit Ton

Wie breit die Entwicklung läuft, zeigt ein zweites Beispiel aus denselben Tagen. Google DeepMind stellte am 27. Oktober 2026 Genie 4 vor, ein sogenanntes Weltmodell. Es erzeugt Umgebungen in Echtzeit, durch die sich Nutzer per Tastatur bewegen; per Textbefehl lassen sich etwa das Wetter ändern oder neue Personen in die Szene holen. Nach Angaben von Google ist Genie 4 das erste Echtzeit-Weltmodell des Unternehmens, das den Ton gleich mit erzeugt: Wind in den Bäumen, Wellen am Strand, Musik und Figuren, die in Echtzeit sprechen und reagieren. Zusammen mit dem Modell Gemini 4 Argon simuliert Google sogar den humanoiden Roboter Apollo des Herstellers Apptronik beim Damespiel, ohne dass eine echte Maschine beteiligt ist. Solche Simulationen sollen helfen, Roboter und KI-Agenten zu trainieren und zu testen, bevor sie in der realen Welt arbeiten.

Auch Genie 4 ist eine Forschungsvorschau, zunächst für ausgewählte Tester; als Nächstes sollen Abonnenten von Google AI Ultra und Partner mit frühem Zugang zur Gemini-Schnittstelle folgen. Die Grenzen benennt Google selbst: Bei längeren Sitzungen verschwimmen Details, komplexe Physik, Ton in Echtzeit und lesbarer Text sind offene Forschungsfragen. Alle Videos und Tonspuren erhalten ein unsichtbares Wasserzeichen.

Was Geschäftsführungen daraus mitnehmen können

Eine Entscheidung über einen Pilotversuch oder einen Lieferanten lässt sich auf diese Vorschauen nicht bauen, dafür fehlen Zugang und überprüfbare Daten. Die Richtung ist trotzdem deutlich: Wenn sich bestätigt, was die Mitschnitte zeigen, werden Anrufer bald kaum noch hören, ob ein Mensch oder eine KI mit ihnen spricht.

Für genau diese Richtung gelten in der EU bereits Regeln. Seit dem 2. August 2026 verlangt die KI-Verordnung, dass Menschen erfahren, wenn sie mit einem KI-System interagieren, es sei denn, das ist offensichtlich. Die Information muss „spätestens zum Zeitpunkt der ersten Interaktion“ kommen, klar und eindeutig. Die Pflicht richtet sich an die Anbieter solcher Systeme; Anbieter ist auch, wer ein System entwickeln lässt und unter eigenem Namen in Betrieb nimmt. Seit dem 2. Februar 2025 ist zudem verboten, mit KI die Emotionen von Menschen am Arbeitsplatz und in Bildungseinrichtungen abzuleiten, ausgenommen aus medizinischen Gründen oder Sicherheitsgründen. Wer bei Kunden ein System zur Emotionserkennung einsetzt, muss die Betroffenen darüber informieren; solche Systeme zählen außerdem zur Hochrisiko-KI, deren zusätzliche Pflichten nach dem Stand vom Oktober 2026 ab dem 2. Dezember 2027 gelten. Gerade weil Modelle wie Dessa Gefühle aus der Stimme hören sollen, werden diese Grenzen praktisch.

Ein erster Schritt: Legen Sie fest, dass jede Sprach-KI in Ihrem Unternehmen schon im ersten Satz sagt, dass hier eine KI spricht, und lassen Sie prüfen, ob ein Werkzeug bei Ihnen Gefühle von Beschäftigten aus ihrer Stimme ableitet. Beides lässt sich heute klären, lange bevor Dessa oder Genie 4 allgemein verfügbar sind.

Mehr Einordnung im KI-Strategiebriefing

Im KI-Strategiebriefing ordnen wir jede Woche die wichtigsten KI-Entwicklungen für Geschäftsführungen und Entscheider ein: kompakt, praxisnah und mit Blick auf die Entscheidungen, die jetzt anstehen.

Jeden Freitag um 8:00 Uhr · 30 Minuten · online

Jetzt zum nächsten KI-Strategiebriefing anmelden:
https://www.silbury.com/strategie

—

Quellen: Block, „Dessa - the Conversation Model trained only on speech“, Projektseite, öffentlich angekündigt am 23. Oktober 2026 · Google DeepMind, „Genie 4: A new generation of world simulation“, Raia Hadsell, Diego Rivas und Hang Qi, 27. Oktober 2026 · Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 3, 5, 50 und 113 sowie Anhang III, EUR-Lex, konsolidierte Fassung vom 27. Juli 2026 · NVIDIA, Produktseite „GB200 NVL72“