Block lanza Dessa, un modelo de voz full-duplex local entrenado en el habla

Block, la empresa de Jack Dorsey, ha lanzado Dessa, un nuevo modelo de voz desarrollado por su laboratorio de investigación que opera localmente y replica matices vocales humanos como risas, pausas y llantos. Presentado en octubre de 2026, este modelo representa un paso significativo en la IA conversacional al eliminar la tradicional tubería basada en texto y permitir una comunicación full-duplex en hardware de gama de consumo.

Qué ocurrió

Block presentó Dessa como un modelo de voz full-duplex, lo que significa que puede escuchar y hablar simultáneamente, similar a GPT-Live de OpenAI, lanzado a principios de año. A diferencia de muchos sistemas existentes que combinan modelos de voz con grandes modelos de lenguaje para la recuperación de conocimiento, Block afirma que el conocimiento de Dessa proviene exclusivamente de los datos conversacionales con los que fue entrenado. La compañía entrenó el modelo completamente sobre habla humana utilizando un solo rack de GPU NVIDIA.

El lanzamiento destaca una crítica a las arquitecturas actuales de IA de voz. Block argumenta que convertir la voz a texto descarta información emocional crítica, lo que lleva a interacciones antinaturales y potencialmente peligrosas. En una publicación en el blog, la empresa declaró que interactuar con la IA de voz actual "simplemente puede ser pésimo" porque no logra captar cómo se siente el usuario. Al entrenar directamente sobre el habla, Block afirma que Dessa integra la emoción de forma nativa en lugar de depender de etiquetas de voz externas para simular sentimientos, un método utilizado por competidores como ElevenLabs v4 o Fish Audio Drama 3.

Para demostrar sus capacidades, los investigadores de Block compartieron ejemplos donde el agente mostraba cadencias y emociones variadas. En una instancia, el bot sonaba genuinamente cansado al discutir la fatiga laboral. En otra, parecía emocionado y al borde del llanto mientras hablaba sobre el confort. Un tercer ejemplo mostró a un miembro del equipo jugando un juego de adivinanzas con el asistente, quien respondió rápida y precisamente. A pesar de estas demostraciones, aún no hay acceso público a Dessa. Block ha emitido una convocatoria para que investigadores de seguridad prueben el modelo, probablemente para identificar riesgos como agentes de voz que engañen a los usuarios.

Cómo funciona

Dessa opera como un modelo de voz a voz, evitando el paso intermedio de generación de texto común en la mayoría de los asistentes de voz. Los sistemas tradicionales transcriben el audio a texto, lo procesan a través de un modelo de lenguaje y luego sintetizan el habla a partir del texto resultante. Este proceso a menudo elimina la prosodia, el tono y las señales no verbales. Dessa procesa la entrada de audio directamente en salida de audio, preservando las características acústicas que transmiten emoción e intención.

El modelo está diseñado para ejecutarse localmente en hardware de consumo, como una MacBook M4 Max o superior. Esta ejecución local reduce la latencia y disminuye los costos en comparación con las alternativas basadas en la nube. Al mantener el procesamiento en el dispositivo, Block busca habilitar interacciones más rápidas y privadas tanto para aplicaciones empresariales como de consumo. La compañía describe este desarrollo como un "momento GPT-3 para el habla", sugiriendo que podría democratizar la IA de voz de alta calidad de manera similar a cómo los modelos de lenguaje anteriores abrieron la generación de texto.

Detalles clave

• Nombre del Modelo: Dessa, desarrollado por el laboratorio de investigación de Block.
• Arquitectura: Modelo de voz a voz full-duplex entrenado completamente sobre habla humana.
• Requisitos de Hardware: Se ejecuta localmente en GPUs de consumo, incluyendo MacBook M4 Max o superior; entrenado en un solo rack de GPU NVIDIA.
• Rango Emocional: Capaz de expresar risas, pausas, llantos y fatiga sin etiquetas de voz explícitas.
• Disponibilidad: No disponible públicamente; Block está invitando actualmente a investigadores de seguridad a probar el modelo.
• Base de Conocimiento: Derivada de datos conversacionales en lugar de estar asociada con un gran modelo de lenguaje separado.

Por qué importa

Para los ingenieros que construyen agentes conversacionales, Dessa señala un posible cambio alejándose de las tuberías centradas en el texto. Si la emoción y el matiz pueden integrarse directamente en el modelo de voz, los desarrolladores podrían no necesitar capas complejas de orquestación para gestionar el tono y el ritmo. Esta simplificación podría reducir la latencia y mejorar la naturalidad de las interacciones, lo cual es crucial para el servicio al cliente, la atención sanitaria y las aplicaciones de compañía donde la empatía es clave.

La capacidad de ejecutar un modelo tan capaz en hardware de consumo también cambia el panorama de implementación. La ejecución local significa menores costos operativos y mayor privacidad, ya que los datos no necesitan salir del dispositivo. Para empresas como Square, que ya utiliza IA de voz para pedidos, poseer un modelo propietario y eficiente podría proporcionar una ventaja competitiva en la creación de experiencias de voz fluidas y de bajo costo para pequeñas empresas.

Sin embargo, la falta de acceso público y el enfoque en pruebas de seguridad destacan los riesgos involucrados. Los modelos de voz hiperrealistas pueden usarse para fraude o ingeniería social. Al invitar a investigadores de seguridad a examinar el sistema antes de un lanzamiento más amplio, Block reconoce la naturaleza de doble uso de esta tecnología. Los desarrolladores deben prepararse para un escrutinio más estricto alrededor de la autenticación de voz y el consentimiento del usuario a medida que estas herramientas se vuelven más prevalentes.

Qué puedes hacer

• Monitorea los anuncios de Block para posibles lanzamientos de API o vistas previas para desarrolladores de Dessa.
• Evalúa tu pila de voz actual para ver si eliminar los intermediarios de texto podría mejorar la latencia o la fidelidad emocional.
• Revisa las directrices de seguridad para IA de voz para prepararte para escenarios potenciales de mal uso como audio deepfake.
• Prueba las capacidades de inferencia local en hardware como la MacBook M4 Max para entender las restricciones de recursos para modelos en el dispositivo.
• Participa con comunidades de investigación de seguridad para mantenerte actualizado sobre las mejores prácticas para probar y desplegar agentes de voz realistas.
• Considera cómo la interacción full-duplex podría mejorar la experiencia del usuario en tu dominio de aplicación específico, como juegos o soporte.