Jack Dorsey, cofundador do Twitter e chairman da Block, apresentou nesta semana o Dessa, um modelo de inteligência artificial de voz que não usa texto em nenhum estágio de seu pipeline. Diferente de todos os sistemas de voz existentes — que convertem fala em texto, processam com um LLM e geram nova fala a partir do texto — o Dessa opera puramente em áudio: entrada de som, saída de som, treinamento inteiramente em conversas humanas reais.
O anúncio veio em 23 de outubro por meio de um post de Dorsey no X e da página oficial block.xyz/dessa, com demonstrações em vídeo de conversas que variam de engraçadas a emocionalmente perturbadoras. O modelo foi desenvolvido pelo labor de pesquisa interna da Block, formado por ex-membros da Dessa original (a startup de Toronto, fundada em 2019, que o Square adquiriu e renomeou), e opera em tempo real em hardware de consumidor — especificamente, um MacBook Pro com chip M4 Max ou superior.
A ruptura com o paradigma atual
Todo sistema de voz que existe hoje passa por uma etapa intermediária de conversão de fala em texto. Isso elimina nuances fundamentais: entonação, hesitação, pausas dramáticas, o tom de uma risada contida. O próprio time da Block descreve esse processo como "reduzir o que dizemos em texto e jogar fora uma quantidade incrivelmente grande de informação".
"Os modelos de IA mais poderosos do mundo não conseguem perceber como você se sente", escreveu a empresa em um post explicativo. "Achamos isso ridículo, gera uma experiência pior e é potencialmente perigoso. Imagine estar em dor séria e um assistente de voz não perceber e simplesmente continuar perguntando o que você quer."
A abordagem do Dessa é análoga à forma como seres humanos aprendem linguagem: ouvindo. "Bebês aprendem a falar sem jamais ter visto uma palavra escrita", diz o site do projeto. "Queríamos ver se um modelo poderia fazer o mesmo."
A tarefa é, de fato, mais difícil do que parece. Dados de fala nunca se repetem: dizer a mesma frase duas vezes gera arquivos de áudio diferentes, mesmo pronunciados da mesma forma. O espaço de possibilidades é essencialmente infinito. Dados de texto, por outro lado, são idênticos independentemente de quem os digita. Por isso, a Block afirma que o Dessa aprendeu linguagem com centenas de vezes menos palavras do que os grandes modelos de linguagem, mas o trade-off é um modelo de arquitetura radicalmente diferente.
O que o Dessa faz
O modelo é full-duplex: fala e escuta simultaneamente. Isso permite interrupções naturais, sobreposições de fala e a capacidade de "retroalimentar" — fazer sons de aprovação como "uh-huh", "entendi", "ah" — para sinalizar atenção durante a conversa.
Nas demonstrações publicadas, o Dessa demonstra uma gama impressionante de expressões: risada no meio de uma frase quando algo é engraçado, voz mais alta quando solicitado a falar mais alto, suspiro de frustração, até lágrimas visíveis na voz ao expressar gratidão. Uma demonstração mostra o modelo conversando com o GPT-Live-1 (da OpenAI), com ambas as vozes sendo geradas por IA — uma conversa entre dois modelos de voz.
A inferência roda mais rápido que o tempo real, eliminando a pausa artificial que caracteriza assistentes atuais. Isso significa que a resposta começa antes do usuário terminar de falar, exatamente como uma conversa humana natural.
Por que isso importa: custos, segurança e o futuro
A Block é, antes de tudo, uma empresa de pagamentos e fintech. O Square já usa IA de voz para processar pedidos de restaurantes. Com um modelo que roda localmente — sem chamadas à nuvem — os custos de inferência despencam drasticamente. A empresa afirmou que treinou o Dessa em um único sistema NVIDIA GB200 NVL72, mas a inferência roda em hardware de consumidor, o que abre possibilidades que modelos baseados em nuvem simplesmente não alcançam.
Mas há uma dimensão de segurança que preocupa. Se um modelo de voz soa indistinguível de um ser humano, phishing por chamada telefônica se torna muito mais difícil de detectar. A CoinDesk apontou essa preocupação especificamente: "é a arma definitiva do golpista". A própria Block reconhece que está abrindo território inexplorado e está convidando pesquisadores de segurança a testar o modelo antes do lançamento público.
Ragavan Thurairatnam, líder do labor, chamou o lançamento de "um momento GPT-3 para o áudio". A analogia é reveladora: assim como o GPT-3 mostrou que a escala muda qualitativamente o comportamento do modelo, o Dessa sugere que a escala de dados de voz pode produzir capacidades de conversação que sistemas híbridos (texto + voz) jamais alcançarão.
O que fica em aberto
A página do projeto lista perguntas de pesquisa abertas: quão eficientemente esses modelos aprendem linguagem e fatos comparados aos modelos baseados em texto? Como se comportam com novos idiomas? Que tipo de aprendizado em contexto (in-context learning) conseguem realizar? Nenhuma resposta ainda.
O Dessa ainda não tem tamanho de modelo divulgado, benchmarks públicos nem data de lançamento. O acesso antecipado está restrito a um grupo de pesquisadores de segurança. Mas o que foi publicado é suficiente para gerar um sentimento de que a área de voz artificial — estagnada no paradigma texto-para-fala por anos — pode estar entrando em uma segunda fase.
A tecnologia que aprende ouvindo é, por enquanto, apenas um protótipo. Mas se a conversação real depende de micro-nuâncias que o texto inevitavelmente apaga, o caminho para uma inteligência verdadeiramente conversacional pode estar em áudio puro — e a Block acaba de dar o primeiro passo.
A pergunta que fica: se a IA aprende linguagem ouvindo como humanos, quando ela começa a se comportar como se estivesse realmente presente na conversa — não apenas respondendo, mas realmente ouvindo?
Fontes: TechCrunch, The Verge, CoinDesk
✓ Fontes independentes cruzadas e verificadas antes da publicação
