Block, la empresa detrás de Square y Cash App, presentó Dessa, un modelo de IA de voz. Según Block, es el primer modelo de IA entrenado desde cero solo con habla humana, sin ningún dato de texto, informó The Decoder el 24 de octubre.
En lugar de convertir primero el audio a texto, Dessa procesa el habla directamente como sonido. Eso le permite reconocer en tiempo real emociones, sarcasmo, risas y pausas, matices que se pierden cuando un modelo trabaja sobre la transcripción.
¿Qué hace distinto a Dessa?
El modelo funciona en modo full-duplex, o sea puede escuchar y hablar al mismo tiempo, como en una conversación telefónica. Corre de forma local en un MacBook Pro M4 Max y se entrenó en un solo sistema NVIDIA GB200 NVL72.
| Dato | Lo que informó Block |
|---|---|
| Datos de entrenamiento | Solo habla humana, sin texto |
| Modo de conversación | Full-duplex, escucha y habla a la vez |
| Hardware de entrenamiento | Un NVIDIA GB200 NVL72 |
| Hardware de ejecución | MacBook Pro M4 Max, en local |
| Disponibilidad | Cerrado, solo para investigadores de seguridad |
Block explica que construyó Dessa por tres motivos. Uno es la curiosidad, otro es el interés en mejorar la comunicación entre personas e IA, y el tercero son preocupaciones de seguridad, porque los asistentes de voz actuales ignoran las señales emocionales de quien les habla.
¿Cuándo se podrá usar?
Dessa todavía no está disponible al público. El equipo busca primero a investigadores de seguridad en IA que prueben el modelo y encuentren riesgos que no hayan anticipado. Los interesados pueden inscribirse a través de un formulario que publicó la empresa.
Los intentos anteriores de voz con emociones
Varios equipos ya intentaron construir asistentes de voz con riqueza emocional, y ninguno se instaló como estándar.
- En marzo de 2024 la empresa emergente Hume AI lanzó EVI (Empathic Voice Interface), un asistente de voz con lo que llamó "inteligencia emocional".
- En septiembre de 2024 Kyutai presentó Moshi.
- El proyecto Open Empathic de LAION trabaja desde fines de 2023 en entrenar modelos de síntesis de voz empática con un conjunto de datos de audio de código abierto.
- OpenAI rehízo el "Modo de voz avanzado" de ChatGPT en junio de 2025 y desde entonces lo siguió ajustando, con mejor entonación, pausas y expresiones más realistas de empatía y sarcasmo.
Sonar emotivo no es lo mismo que tener emociones o ser inteligente, aunque dé esa impresión. En los modelos de voz avanzados pesan más capacidades como razonar mientras se responde que lo natural que suene la voz, porque son las que cambian la calidad de la respuesta, apunta The Decoder.
