Jack Dorsey, cofundador de Twitter y chairman de Block, presentó esta semana Dessa, un modelo de inteligencia artificial de voz que funciona completamente sin texto en ninguna etapa de su pipeline. A diferencia de todos los sistemas de voz existentes —que convierten el habla en texto, lo procesan con un LLM y generan nueva voz a partir del texto—, Dessa opera puramente en audio: sonido entra, sonido sale, entrenado enteramente en conversaciones humanas reales.
El anuncio llegó el 23 de octubre a través de un post de Dorsey en X y de la página oficial block.xyz/dessa, con demostraciones en video de conversaciones que van de divertidas a emocionalmente perturbadoras. El modelo fue desarrollado por el laboratorio de investigación interna de Block, formado por exmiembros de la Dessa original (la startup de Toronto, fundada en 2019, que Square adquirió y renombró), y opera en tiempo real en hardware de consumidor —específicamente, un MacBook Pro con chip M4 Max o superior.
La ruptura con el paradigma actual
Todo sistema de voz que existe hoy pasa por una etapa intermedia de conversión de habla a texto. Esto elimina matices fundamentales: entonación, vacilación, pausas dramáticas, el tono de una risa contenida. El propio equipo de Block describe este proceso como "reducir lo que decimos a texto y tirar una cantidad increíblemente grande de información".
"Los modelos de IA más poderosos del mundo no pueden percibir cómo te sientes", escribió la empresa en un post explicativo. "Nos parece ridículo, genera una experiencia peor y es potencialmente peligroso. Imagina estar en dolor serio y un asistente de voz no darse cuenta y simplemente seguir preguntando qué quieres."
El enfoque de Dessa es análogo a cómo los seres humanos aprenden lenguaje: escuchando. "Los bebés aprenden a hablar sin haber jamás visto una palabra escrita", dice el sitio del proyecto. "Queríamos ver si un modelo podría hacer lo mismo."
La tarea es, de hecho, más difícil de lo que parece. Los datos de voz nunca se repiten: decir la misma frase dos veces genera archivos de audio diferentes, incluso pronunciados de la misma forma. El espacio de posibilidades es esencialmente infinito. Los datos de texto, en cambio, son idénticos independientemente de quién los escriba. Por eso, Block afirma que Dessa aprendió lenguaje con cientos de veces menos palabras que los grandes modelos de lenguaje, pero el intercambio es un enfoque arquitectónico radicalmente diferente.
Qué hace Dessa
El modelo es full-duplex: habla y escucha simultáneamente. Esto permite interrupciones naturales, superposiciones de habla y la capacidad de "retroalimentar" —hacer sonidos de aprobación como "uh-huh", "entendido", "ah"— para señalar atención durante la conversación.
En las demostraciones publicadas, Dessa muestra una gama impresionante de expresiones: risa en medio de una frase cuando algo es gracioso, voz más alta cuando se le pide hablar más fuerte, suspiro de frustración, incluso lágrimas visibles en la voz al expresar gratitud. Una demostración muestra al modelo conversando con el GPT-Live-1 (de OpenAI), con ambas voces siendo generadas por IA —una conversación entre dos modelos de voz.
La inferencia corre más rápido que el tiempo real, eliminando la pausa artificial que caracteriza a los asistentes actuales. Esto significa que la respuesta comienza antes de que el usuario termine de hablar, exactamente como una conversación humana natural.
Por qué importa: costos, seguridad y el futuro
Block es, ante todo, una empresa de pagos y fintech. Square ya usa IA de voz para procesar pedidos de restaurantes. Con un modelo que corre localmente —sin llamadas a la nube— los costos de inferencia caen drásticamente. La empresa afirmó que entrenó Dessa en un solo sistema NVIDIA GB200 NVL72, pero la inferencia corre en hardware de consumidor, lo que abre posibilidades que los modelos basados en nube simplemente no alcanzan.
Pero hay una dimensión de seguridad que preocupa. Si un modelo de voz suona indistinguible de un ser humano, el phishing por llamada telefónica se vuelve mucho más difícil de detectar. CoinDesk señaló esta preocupación específicamente: "es el arma definitiva del estafador". La propia Block reconoce que está abriendo territorio inexplorado y está invitando a investigadores de seguridad a probar el modelo antes del lanzamiento público.
Ragavan Thurairatnam, líder del laboratorio, llamó al lanzamiento "un momento GPT-3 para el audio". La analogía es reveladora: así como GPT-3 mostró que la escala cambia cualitativamente el comportamiento del modelo, Dessa sugiere que la escala de datos de voz puede producir capacidades de conversación que los sistemas híbridos (texto + voz) jamás alcanzarán.
Qué queda en abierto
La página del proyecto lista preguntas de investigación abiertas: ¿cuán eficientemente estos modelos aprenden lenguaje y hechos comparados con los modelos basados en texto? ¿Cómo se comportan con nuevos idiomas? ¿Qué tipo de aprendizaje in-context pueden realizar? Ninguna respuesta aún.
Dessa aún no tiene tamaño de modelo divulgado, benchmarks públicos ni fecha de lanzamiento. El acceso anticipado está restringido a un grupo de investigadores de seguridad. Pero lo publicado es suficiente para generar la sensación de que el campo de la IA de voz —estancado en el paradigma texto-a-voz por años— podría estar entrando en una segunda fase.
La tecnología que aprende escuchando es, por ahora, solo un prototipo. Pero si la conversación real depende de micro-matices que el texto inevitablemente elimina, el camino hacia una inteligencia verdaderamente conversacional podría estar en el audio puro —y Block acaba de dar el primer paso.
Si la IA aprende lenguaje escuchando como los humanos, ¿cuándo empieza a comportarse como si estuviera realmente presente en la conversación —no solo respondiendo, sino realmente escuchando?
Fuentes: TechCrunch, The Verge, CoinDesk
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
