Con Dessa, Block si inserisce direttamente nella competizione dei modelli vocali di nuova generazione. Il nuovo sistema, sviluppato dal laboratorio di ricerca della società di Jack Dorsey, è progettato per superare il limite più evidente di molti assistenti vocali: la sensazione di interloquire con una macchina anziché con un essere umano. La promessa è ambiziosa: un modello speech-to-speech capace di ascoltare e parlare simultaneamente, integrando pause, risate, inflessioni emotive e una cadenza più vicina alla conversazione naturale.

Dessa: la voce AI oltre la sintesi testo-voce

L’elemento distintivo di Dessa è il suo approccio full-duplex. Mentre un sistema tradizionale spesso trascrive la voce dell’utente in testo, la elabora con un modello linguistico e la riconverte in audio, Block sostiene che Dessa operi direttamente da audio ad audio. Questo metodo permette di conservare segnali vocali che il testo tende a perdere, come tono, esitazioni, ritmo e intensità emotiva. Si tratta di un passo significativo, che sposta il valore dell’interazione dalla sola comprensione semantica alla lettura del contesto vocale completo.

Un aspetto pratico rilevante è la capacità del modello di funzionare localmente su hardware consumer avanzato, come un MacBook Pro M4 Max o configurazioni superiori, e su una singola GPU NVIDIA.

Se confermata, questa caratteristica renderebbe la voce AI meno dipendente dal cloud, offrendo potenziali benefici in termini di latenza, costi operativi e riservatezza dei dati.

Verifica esterna: il nodo cruciale del progetto

Tuttavia, è necessario un elemento di cautela. Block afferma che Dessa sia stato addestrato da zero utilizzando esclusivamente conversazioni umane, senza ricorrere a testo o modelli preaddestrati. Questa è l’affermazione più interessante, ma anche quella che al momento risulta meno verificabile. Attualmente, non sono disponibili paper scientifici, pesi del modello, benchmark, model card o un download funzionante. Le dimostrazioni pubbliche rimangono quindi prove narrative, non ancora evidenze tecniche riproducibili.

Ciò non diminuisce necessariamente il valore intrinseco del progetto, ma ne delimita la valutazione. Nel settore dell’intelligenza artificiale, specialmente per i modelli fondazionali, la differenza tra una demo convincente e un risultato scientificamente validato è sostanziale. L’idea di modelli vocali textless o in real-time non è nuova, con precedenti come dGSLM e Moshi. La specificità rivendicata da Block risiede nell’unione tra una conversazione dal vivo realistica e un addestramento solo da parlato umano.

Il ruolo della voce AI per Square e Cash App

Il contesto industriale offre una chiave di lettura per questa iniziativa. Block gestisce ecosistemi come Square e Cash App, dove l’interazione vocale potrebbe evolvere in un’interfaccia naturale per la gestione di ordini, l’assistenza clienti o le operazioni di pagamento.