Block lança Dessa: o modelo de voz que escuta enquanto fala

A empresa por trás do Cash App e do Square revelou Dessa, um modelo de processamento de voz treinado exclusivamente em áudio humano, sem depender de textos ou modelos pré-treinados. O sistema consegue ouvir e falar ao mesmo tempo — algo que nenhum assistente virtual convencional conseguiu alcançar — e processa emoções como risadas, pausas e até choro como parte natural da conversa.

A arquitetura por trás do Dessa

O que diferencia Dessa dos modelos de voz existentes não é apenas a qualidade do som, mas a forma como o sistema foi construído. Enquanto a maioria dos assistentes converte fala em texto, processa essa informação por meio de um modelo de linguagem e depois converte a resposta de volta em áudio, Dessa faz tudo diretamente no domínio do áudio. Não há transcript intermediário. Não há conversão bidirecional. O sistema processa o som do início ao fim.

Block afirma que treinou Dessa do zero usando apenas uma única máquina Nvidia GB200 NVL72 — um sistema de computação massivo que combina 72 GPUs H100 interconectadas por NVLink. A empresa também declarou que o modelo é suficientemente compacto para rodar localmente em um MacBook Pro M4 Max ou superior, sem necessidade de infraestrutura em nuvem.

A abordagem elimina a perda massiva de informação que ocorre quando a fala humana é convertida em texto — sotaques, ironia, hesitação e intensidade emocional simplesmente desaparecem. Rodion Gurev, CTO da Block, resumiu o raciocínio ao TechCrunch: acreditam que a voz é a forma mais natural de interagir com a inteligência artificial, e acham ridículo que os AIs mais poderosos do mundo não consigam sentir como você está se sentindo pelo tom de voz.

O que o modelo consegue fazer

Os exemplos de demonstração publicados pela equipe de pesquisa da Block mostram conversas ao vivo gravadas sem roteiro, nas quais o modelo reage espontaneamente a surpresas, faz pausas naturais, ri no meio de uma frase e até mesmo expressa cansaço quando solicitado — mudando o tom e o ritmo da voz para corresponder ao estado narrado.

Jack Dorsey escreveu em suas redes sociais que "falar com ele se parece com falar com uma pessoa" — cheia de emoção, nuances, pausas e um ritmo natural. O modelo é descrito como full-duplex, o que significa que ele pode processar entrada e saída de áudio simultaneamente. Se você interrompe o Dessa enquanto ele está falando, ele para de imediato e processa a fala do usuário, sem a necessidade de apertar um botão para trocar de turno, como acontece com Siri, Alexa ou Google Assistant.

Ragavan Thurairatnam, pesquisador da Block, classificou o marco como "um momento GPT-3 para o processamento de voz" — uma referência direta ao ponto em que o GPT-3 demonstrou que modelos de linguagem de escala suficiente podiam realizar tarefas para as quais não foram explicitamente treinados. A analogia sugere que Dessa pode representar uma mudança similar para o domínio da voz, mas com implicações potencialmente mais amplas, dado que a conversação vocal é a forma primária de comunicação humana.

Por que isso importa: implicações para segurança e fraude

A mesma capacidade que impressiona os entusiastas preocupa especialistas em segurança. Justine Bateman, cineasta e crítica de tecnologia, questionou por que vozes artificiais precisam soarem humanas a ponto de enganar pessoas. "Assim você pode fazer as pessoas baixarem a guarda", escreveu.

Shiv Aroor, jornalista especializado em tecnologia, foi mais direto: "As chamadas de fraude estão prestes a atingir um nível pandêmico." A preocupação não é especulativa — a tecnologia de clonagem de voz já foi usada em golpes por telefone em 2025 e 2026, incluindo casos onde vítimas foram enganadas a transferir dinheiro ou revelar dados pessoais baseados exclusivamente na voz do golpista. Um modelo como Dessa, capaz de gerar vozes indistinguíveis de seres humanos com latência quase zero, potencializa esse risco exponencialmente.

A Block reconheceu esse problema. Em vez de lançar o modelo para o público, a empresa deu acesso limitado a um grupo pequeno de pesquisadores de segurança de IA, pedindo que testem cenários onde um agente de voz poderia enganar pessoas. Nenhum modelo de pesos públicos, benchmark ou API foram disponibilizados até o momento.

O legado da Dessa e o futuro da interação por voz

O nome Dessa vem do startup canadense que o Square adquiriu em 2020, que já trabalhava com processamento de fala em ambientes naturais. A aquisição foi amplamente vista na época como estratégica, mas o produto agora é muito mais ambicioso do que qualquer sistema de processamento de fala comercial disponível.

A implicação mais ampla é que, à medida que modelos de voz como Dessa se tornarem mais acessíveis e eficientes, a interação por voz pode superar o teclado como interface primária de interação com inteligência artificial — especialmente para tarefas que exigem sensibilidade emocional, como educação, saúde mental e atendimento ao cliente. Changpeng Zhao, fundador da Binance, já sugeriu que o modelo poderia ser particularmente útil em educação infantil, onde o aprendizado conversacional supera a instrução textual.

A pergunta que fica é se essa nova capacidade de entender e expressar emoções através da voz tornará as interações com IA verdadeiramente mais humanas — ou se simplesmente criará a ferramenta mais convincente de manipulação já construída.

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

✓ Fontes independentes cruzadas e verificadas antes da publicação