Block presentó Dessa, un modelo de voz que corre en tu propia laptop
Block, la fintech de Jack Dorsey, presentó Dessa, un modelo de voz que corre de forma local en una MacBook M4 Max o superior y que, según la compañía, fue entrenado desde cero únicamente con conversación humana y una sola GPU de NVIDIA. La diferencia con los asistentes de voz que ya usas no es cosmética: Dessa no convierte tu voz en texto para después generar una respuesta.
Según TechCrunch, el modelo es de tipo full-duplex, es decir que puede hablar y escuchar al mismo tiempo, igual que el modelo GPT-Live que OpenAI lanzó este año. Block afirma que suena extrañamente humano, con risas, pausas y hasta llanto incorporados en la generación.
¿Qué es Dessa y en qué se diferencia de los asistentes de voz actuales?
La arquitectura es la clave. La mayoría de los agentes de voz actuales funcionan con un pipeline en tres pasos: convierten el audio en texto, le pasan ese texto a un modelo de lenguaje y luego sintetizan una voz. Dessa procesa y genera audio directamente, sin texto en el medio.
¿Y esto cómo se aplica en tu negocio?
En CAR, dueños de empresa de Latinoamérica y España usan la tecnología para ser más rentables. Empiezas con una ruta de 7 días y terminas con un sistema funcionando en tu negocio.
👥 Probar 7 díasEsa diferencia tiene consecuencias prácticas que un founder nota en el producto:
- Latencia y turnos de conversación. El equipo de Dessa sostiene en su sitio que hoy la voz de la IA «aplana lo que decimos en texto y no puede seguir el ritmo humano». Al eliminar el paso intermedio, el modelo puede reaccionar sin esos silencios bruscos que delatan a un bot.
- Conocimiento sin LLM externo. Lo habitual es emparejar el modelo de voz con un modelo de lenguaje para la recuperación de información. Block dice que el conocimiento de Dessa proviene de los propios datos conversacionales con los que fue entrenado.
- Emoción integrada. Según The Verge, el equipo de Dessa afirma que es un «modelo verdadero de voz a voz, y todo lo que sabe vino del habla humana». En los ejemplos publicados, el modelo dice estar cansado del trabajo y suena cansado; en otro, reacciona a un viaje sorpresa a París con lo que el sitio describe como gratitud entre lágrimas.
El detalle incómodo: TechCrunch señala que no está claro si esa emoción está siendo dirigida por algún tipo de etiqueta, como ocurre en modelos tipo ElevenLabs v4 o Fish Audio Drama 3, que usan voice tags para forzar el tono. Block insiste en que la emoción está construida dentro del modelo, no añadida encima.
¿Por qué Block dice que la emoción no se puede agregar con etiquetas?
El argumento de la compañía es tanto de producto como de seguridad. En su blog, Block escribió: «Interactuar con la IA de voz actual puede simplemente ser malo. Convierte tu voz en texto y tira una cantidad increíble de información que el texto solo no puede cargar. Las IA más poderosas del mundo no pueden escuchar cómo te sientes. Creemos que eso es ridículo, lleva a una peor experiencia y es potencialmente peligroso».
El equipo de Dessa resume sus motivos en tres, según The Verge: curiosidad, mejor entendimiento entre humanos e IA, y seguridad. Y lo aterrizan con una analogía simple: los bebés aprenden a hablar sin haber visto nunca una palabra escrita, y querían comprobar si un modelo podía hacer lo mismo. Puede, pero es muy difícil.
Ahí está la oportunidad real para quien construye productos. Si tu agente de voz no detecta que el usuario está frustrado, con dolor o con prisa, va a seguir respondiendo con el mismo guion. Eso no es solo una mala experiencia: en verticales como salud, seguros o soporte financiero, es un riesgo operativo.
¿Cuánto cuesta hoy un agente de voz en la nube?
Block apunta al bolsillo. Su tesis es que un modelo que corre en el dispositivo del usuario puede habilitar muchas más experiencias de negocio y de consumo a menor costo. Para dimensionar ese ahorro, conviene mirar los precios públicos de la competencia.
xAI anunció Grok Voice 3.0 el 14 de octubre de 2026 y lo puso en su Voice Agent API a US$0.08 por minuto, o US$4.80 por hora, según Unite.AI. Ese mismo medio recoge que Artificial Analysis ubicó a Grok Voice 3.0 primero en su índice de voz a voz con 86.9 puntos, por delante de GPT-Live-1 (Astra, Medium) con 83.2, Gemini 3.8 Live con 82.6 y Grok Voice 2.0 con 81.3.
Los números de operación son más elocuentes que los benchmarks. Según xAI, los centros de llamadas de Starlink usan Grok Voice para atender 20.000 llamadas de clientes por día, y cerca del 70% se resuelven sin intervención humana. Un solo agente verifica clientes, diagnostica hardware, emite créditos y despacha equipos de reemplazo.
En paralelo, Google presentó en septiembre de 2026 sus modelos Gemini 3.8 Flash TTS y Flash-Lite TTS, con más de 2.000 voces preempaquetadas, soporte para 130 idiomas y una marca de agua inaudible llamada SynthID en todo el audio generado, según SiliconANGLE. Es decir: el mercado no solo compite por sonar mejor, también por trazabilidad y cumplimiento.
El contexto macro acompaña. Un informe de ResearchAndMarkets difundido por GlobeNewswire y recogido por Yahoo Finance estima el mercado global de IA generativa en USD 185.450 millones en 2026, con proyección a USD 1,65 billones en 2033 y un crecimiento anual compuesto del 36,8%.
¿Qué significa esto para tu startup?
No vas a poder usar Dessa hoy: TechCrunch confirma que no hay acceso público y que Block solo abrió una convocatoria para que un grupo reducido de investigadores de seguridad lo pruebe, probablemente para estudiar casos en los que un agente de voz pueda engañar a quien está del otro lado del teléfono. Pero el movimiento marca hacia dónde va la infraestructura de voz, y hay decisiones que puedes tomar ahora.
- Calcula tu costo por minuto antes de escalar. Si tu producto atiende pedidos, agenda citas o da soporte por voz, cada minuto facturado por una API se multiplica por el volumen. Con referencias públicas como los US$0.08 por minuto de Grok Voice 3.0, puedes estimar cuánto de tu margen se va en inferencia y cuánto recuperarías si parte del procesamiento ocurre en el dispositivo del cliente.
- Mide la conversación, no solo la respuesta correcta. El Full Duplex Bench existe justamente para evaluar pausas, turnos e interrupciones: xAI reportó 97,0% para Grok Voice 3.0. Si tu agente pisa al usuario cuando empieza a hablar, el problema es de arquitectura, no de prompt.
- Diseña tu capa de seguridad antes de la demo. Clonación de voz, suplantación y audio sintético sin marcar ya son un riesgo regulatorio y reputacional. Google resuelve parte con SynthID; tú necesitas consentimiento explícito, verificación del hablante y un registro de qué se generó y cuándo.
- Abstrae el proveedor. El campo se mueve cada pocas semanas: xAI, Google, OpenAI y ahora Block. Si tu lógica de negocio está pegada a un solo proveedor de voz, cada cambio de precio o de latencia te obliga a reescribir producto.
Conclusión
Dessa todavía es una demostración de laboratorio con acceso cerrado, y su propia documentación admite que entrenar un modelo así es muy difícil. Pero la dirección es clara: menos texto en el medio, más audio nativo, más procesamiento local y precios por minuto que la nube ya publica abiertamente.
Para un founder, la lectura útil no es «Block lanzó otro modelo». Es que la voz está dejando de ser una capa cara que se alquila por minuto para convertirse en una capacidad que puede vivir dentro del producto. Quien entienda el costo real de su agente de voz hoy va a estar mejor parado cuando eso sea el estándar.
Fuentes
- TechCrunch: Block’s new voice model sounds eerily human
- The Verge: Jack Dorsey’s Block made an AI model that talks to you like an awkward new friend
- AOL: Check Out the Many Uncanny, Human-ish Voices From Block’s New AI Model
- Unite.AI: xAI Introduces Grok Voice 3.0 Speech-to-Speech Model for Voice Agents
- SiliconANGLE: Google launches two benchmark-topping speech generation models
- Yahoo Finance: Generative AI Market Forecasts Growth from $185.45B (2026) to $1.65T by 2033
¿Y esto cómo se aplica en tu negocio?
En CAR, dueños de empresa de Latinoamérica y España usan la tecnología para ser más rentables. Empiezas con una ruta de 7 días y terminas con un sistema funcionando en tu negocio.
👥 Probar 7 días
