Block, la empresa de Jack Dorsey, entrenó su nuevo modelo de voz, Dessa, únicamente con habla humana, sin usar texto ni modelos preentrenados.
Block afirma que el modelo terminado puede ejecutarse localmente en un MacBook Pro M4 Max o superior. El laboratorio lo entrenó con un solo rack de servidores Nvidia.
Block afirma que Dessa es la primera IA que conoce capaz de mantener una conversación en vivo y realista, y que ha sido entrenada únicamente con habla humana. El pequeño laboratorio de investigación que la creó informa directamente a Dorsey.
Un modelo full dúplex conversa con GPT-Live-1 de OpenAI en demostraciones sin guía
Muchos asistentes de voz convierten lo que dice la gente en texto, lo procesan con un modelo de lenguaje y luego vuelven a convertir el texto en voz. Como explica Block, ese proceso elimina la emoción, el sarcasmo, la risa y la voz triste que se quiebra.
Dessa es un modelo que convierte voz en voz, sin texto de por medio. Como dos personas, habla y escucha al mismo tiempo.
Sabe cuándo interrumpir y cuándo intervenir con un «¡sí!» o un «¡entendido!», dijo Block. Funciona más rápido que en tiempo real.
Block dice que nadie guía al modelo de IA en las grabaciones. Elige qué decir, cuándo y cómo.
En las grabaciones, Dessa se ríe a mitad de una frase, jadea de sorpresa y sube la voz cuando le piden que hable más alto. En una de las grabaciones, Dessa habló con GPT-Live-1 de OpenAI.
Block dice que el desarrollador de GPT-Live-1 no ha evaluado ni respaldado a Dessa.
¡Creamos el primer modelo de IA con el que puedes tener una conversación realista y que se entrenó íntegramente con voz!
Dessa es un modelo de voz a voz full-duplex que puedes ejecutar en GPU de consumo.
Este es un momento GPT3 para la voz. pic.twitter.com/XVD8sSyJn8
— Ragavan Thurairatnam (@RagavanThurair) 23 de octubre de 2026
Un GB200 NVL72 enseñó lenguaje al modelo con cientos de veces menos palabras
Dessa se entrenó en un único Nvidia GB200 NVL72, un sistema a escala de rack. El laboratorio afirma que el modelo aprendió lenguaje con «cientos de veces menos palabras» de las que necesita un LLM basado en texto.
El habla hizo que la tarea fuera más difícil, dijo Block. Una palabra hablada ocupa miles de veces más bytes que la misma palabra impresa.
El laboratorio fue fundado por antiguos miembros de Dessa, una startup de aprendizaje profundo de Toronto. El equipo lleva más de ocho años desarrollando modelos de voz generativa.
Ragavan Thurairatnam dirige el proyecto y calificó el lanzamiento de «un momento GPT3 para la voz» en X.
Dessa no está disponible para el público. Block tiene una lista de espera y ofrece acceso anticipado a un pequeño grupo de investigadores de seguridad de IA para detectar riesgos que el equipo no haya previsto.
Tres motivos llevaron a Block a crear el modelo. Dos son la curiosidad y una mejor comprensión entre las personas y la IA.
¿El tercer motivo? La seguridad.
Block imagina a una persona que sufre mucho dolor, pero una IA de voz no se da cuenta y sigue hablando.
Cryptopolitan informó que en febrero Block (NYSE: XYZ) despidió al 40 % de su personal.
Block Inc. lanzó Buzz en julio. Es una aplicación de chat para el trabajo donde las personas y los agentes de IA pueden compartir canales.
Las mentes más brillantes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Acompáñalos.