Block presenta Dessa: el modelo de voz que escucha mientras habla

La empresa detrás de Cash App y Square ha presentado Dessa, un modelo de procesamiento de voz entrenado exclusivamente con audio humano, sin depender de textos ni de modelos preentrenados. El sistema puede escuchar y hablar al mismo tiempo —algo que ningún asistente virtual convencional ha logrado— y procesa emociones como risas, pausas e incluso llanto como parte natural de la conversación.

La arquitectura detrás de Dessa

Lo que diferencia a Dessa de los modelos de voz existentes no es solo la calidad del sonido, sino la forma en que el sistema fue construido. Mientras que la mayoría de los asistentes convierten el habla en texto, procesan esa información por medio de un modelo de lenguaje y luego convierten la respuesta de nuevo en audio, Dessa hace todo directamente en el dominio del audio. No hay un transcripto intermedio. No hay conversión bidireccional. El sistema procesa el sonido del principio al fin.

Block afirma que entrenó Dessa desde cero usando una única máquina Nvidia GB200 NVL72 —un sistema de computación masivo que combina 72 GPUs H100 interconectadas por NVLink. La empresa también declaró que el modelo es suficientemente compacto para correr localmente en un MacBook Pro M4 Max o superior, sin necesidad de infraestructura en la nube.

El enfoque elimina la pérdida masiva de información que ocurre cuando el habla humana se convierte en texto —acentos, ironía, vacilación e intensidad emocional simplemente desaparecen. Rodion Gurev, CTO de Block, le dijo a TechCrunch: "Creemos que la voz es la forma más natural de interactuar con la inteligencia artificial, y nos parece ridículo que los AIs más poderosos del mundo no puedan sentir cómo te sientes por tu tono de voz."

Qué puede hacer el modelo

Los ejemplos de demostración publicados por el equipo de investigación de Block muestran conversaciones en vivo grabadas sin guión, en las que el modelo reacciona espontáneamente a sorpresas, hace pausas naturales, ríe en medio de una frase e incluso expresa cansancio cuando se le pide —cambiando el tono y el ritmo de la voz para corresponder al estado narrado.

Jack Dorsey escribió en sus redes sociales que "hablar con él se parece a hablar con una persona" —lleno de emoción, matices, pausas y un ritmo natural. El modelo se describe como full-duplex, lo que significa que puede procesar entrada y salida de audio simultáneamente. Si interrumpes a Dessa mientras está hablando, se detiene de inmediato y procesa el habla del usuario, sin necesidad de presionar un botón para cambiar de turno, como ocurre con Siri, Alexa o Google Assistant.

Ragavan Thurairatnam, investigador de Block, clasificó el hito como "un momento GPT-3 para el procesamiento de voz" —una referencia directa al punto en que el GPT-3 demostró que los modelos de lenguaje con escala suficiente podían realizar tareas para las que no fueron entrenados explícitamente. La analogía sugiere que Dessa puede representar un cambio similar para el dominio de la voz, pero con implicaciones potencialmente más amplias, dado que la conversación verbal es la forma primaria de comunicación humana.

Por qué importa: implicaciones para seguridad y fraude

La misma capacidad que impresiona a los entusiastas preocupa a los especialistas en seguridad. Justine Bateman, cineasta y crítica de tecnología, cuestionó por qué las voces artificiales necesitan sonar humanas para engañar a las personas. "Así puedes hacer que las personas bajen la guardia", escribió.

Shiv Aroor, periodista especializado en tecnología, fue más directo: "Las llamadas de fraude están a punto de alcanzar un nivel pandémico." La preocupación no es especulativa —la tecnología de clonación de voz ya se ha utilizado en estafas telefónicas en 2025 y 2026, incluyendo casos donde víctimas fueron engañadas para transferir dinero o revelar datos personales basándose únicamente en la voz del estafador. Un modelo como Dessa, capaz de generar voces indistinguibles de seres humanos con latencia casi cero, potencializa ese riesgo exponencialmente.

Block reconoció este problema. En lugar de lanzar el modelo al público, la empresa dio acceso limitado a un pequeño grupo de investigadores de seguridad de IA, pidiéndoles que prueben escenarios donde un agente de voz podría engañar a personas. Ningún modelo con pesos públicos, benchmarks ni API han sido liberados hasta el momento.

El legado de Dessa y el futuro de la interacción por voz

El nombre Dessa proviene de la startup canadiense que Square adquirió en 2020, que ya trabajaba con procesamiento de habla en entornos naturales. La adquisición fue ampliamente vista en su época como estratégica, pero el producto ahora es mucho más ambicioso que cualquier sistema de procesamiento de habla comercial disponible.

La implicación más amplia es que, a medida que modelos de voz como Dessa se vuelvan más accesibles y eficientes, la interacción por voz puede superar al teclado como interfaz primaria de interacción con inteligencia artificial —especialmente para tareas que exigen sensibilidad emocional, como educación, salud mental y atención al cliente. Changpeng Zhao, fundador de Binance, ya sugirió que el modelo podría ser particularmente útil en educación infantil, donde el aprendizaje conversacional supera a la instrucción textual.

La pregunta es si esta nueva capacidad de entender y expresar emociones a través de la voz tornará las interacciones con IA verdaderamente más humanas —o si simplemente creará la herramienta más convincente de manipulación jamás construida.

Fuentes: TechCrunch, CoinDesk, LeoDex News, CryptoNews, Block official blog

✓ Fuentes independientes cruzadas y verificadas antes de la publicación