Block presenta Dessa: IA de voz entrenada sin texto

Block presentó Dessa, un modelo de voz entrenado solo con conversaciones humanas

Block, la compañía de pagos que dirige Jack Dorsey, presentó Dessa, un modelo de inteligencia artificial entrenado «desde cero con nada más que conversación humana». Para demostrarlo, la empresa publicó fragmentos de charlas reales con el modelo, y el resultado es incómodo y fascinante al mismo tiempo: diálogos que fluyen casi con naturalidad, salpicados de momentos que delatan que del otro lado no hay una persona.

En una de las muestras compartidas por Ragavan Thurairatnam, responsable de Dessa, el modelo confunde al interlocutor con alguien llamado «Ronaldo» antes de retomar el hilo. El sitio del proyecto suma otros ejemplos: una conversación sobre las películas de Christopher Nolan que deriva en un comentario inesperado sobre el Superman de Bryan Singer, y otra en la que alguien le cuenta que la llevará de sorpresa a París y Dessa responde, según la descripción del propio sitio, con una gratitud que suena a voz quebrada.

Para un founder que evalúa sumar voz a su producto, lo interesante no son los momentos raros. Es lo que hay detrás.

¿Qué hace diferente a Dessa frente a otros modelos de voz?

El equipo lo describe como un «verdadero modelo speech-to-speech»: todo lo que sabe salió del habla humana, no de texto escrito. Esa es la apuesta central del anuncio y también su mayor diferencia técnica.

En el sitio del proyecto publican un diálogo entre el modelo de voz GPT-Live-1 de OpenAI y Dessa, en el que Dessa queda como el más natural de los dos. Y listan las razones por las que construyeron el modelo: «curiosidad (o sea, diversión), mejor entendimiento entre humanos e IA, y seguridad».

Su argumento sobre la seguridad es el más concreto: la IA gana poder e independencia, pero sigue siendo «casi sorda a la emoción en nuestras voces». El ejemplo que dan es difícil de discutir: imagina estar con dolor serio y que un asistente de voz no lo note y siga hablando. Para cualquier producto que atienda clientes en momentos delicados, eso es un problema de diseño, no un detalle estético.

Speech-to-speech: por qué la arquitectura importa más que la demo

La mayoría de los asistentes de voz actuales no escuchan: transcriben. Convierten la voz en texto, ese texto pasa por un modelo de lenguaje y la respuesta vuelve a convertirse en voz. Tres saltos, y en cada salto se pierde algo. El equipo de Dessa lo resume así: la voz «es la interfaz más natural hacia cualquier inteligencia» y la IA de voz de hoy la desperdicia, porque «aplana lo que decimos en texto y no puede seguir el ritmo humano».

Su analogía para explicar por qué intentaron otra ruta: los bebés aprenden a hablar sin haber visto nunca una palabra escrita. Querían ver si un modelo podía hacer lo mismo. Puede. «Es simplemente muy difícil», admiten.

El detalle técnico que más debería interesar a un equipo de producto: Dessa corre localmente en una MacBook Pro M4 Max «o mejor». Inferencia en el propio dispositivo con un modelo de conversación abre escenarios que hoy son caros o directamente inviables en la nube, sobre todo en privacidad y en costos por uso.

Qué significa esto para tu startup

Primero, una aclaración importante: Block todavía no lo libera. La empresa dará acceso anticipado a «un grupo pequeño de investigadores de seguridad en IA», así que no hay API pública, precio ni fecha de disponibilidad general en la información publicada.

Aun así, hay tres movimientos que puedes hacer esta semana:

• Audita tu stack de voz por saltos, no por funciones. Si tu agente hace speech-to-text, después un modelo de lenguaje y después text-to-speech, cada transición suma latencia y borra prosodia: pausas, énfasis, duda. Mide cuánto tiempo se va solo en convertir ida y vuelta. Si el número te sorprende, ya tienes tu argumento para explorar modelos end-to-end.
• Trata la emoción como requisito, no como adorno. Dessa apunta a leer el tono, no solo las palabras. Revisa tus flujos de soporte, cobranza, salud o seguros: ¿en qué punto tu sistema seguiría hablando igual si el cliente está angustiado? Ese punto es donde un modelo sensible al afecto cambia el resultado del caso.
• Prepara el escenario on-device. Que un modelo de conversación corra en una laptop de gama alta habilita productos donde los datos no salen del dispositivo. Si vendes a salud, legal o finanzas, empieza a modelar qué cambiaría en tu propuesta de valor si la voz se procesara localmente.

Lo que Dessa todavía no resuelve

El propio material de presentación es honesto: las charlas son, admiten, «a veces un poco incómodas y extrañas». Confundir a la persona con «Ronaldo» o desviarse hacia el Superman de Bryan Singer no es un bug de demo, es la consecuencia de aprender solo de audio: sin texto de apoyo, el modelo no tiene un andamio de conocimiento ordenado al que volver cuando la conversación se abre.

Tampoco hay, en la información disponible, métricas públicas que permitan comparar a Dessa contra otros modelos de voz en latencia, precisión o calidad de respuesta. Cualquier cifra que circule sobre su desempeño hoy no está respaldada por el anuncio.

Vale decirlo con claridad: en la búsqueda realizada para este artículo no aparecieron datos adicionales verificables sobre el modelo, su equipo o su disponibilidad. Todo lo anterior sale del anuncio de Block y del sitio del proyecto.

Conclusión

Dessa no es un producto que puedas comprar ni integrar todavía. Es una señal. Block, una empresa de pagos de capital abierto dirigida por uno de los fundadores más reconocidos de la tecnología, decidió invertir en investigación de voz de frontera y presentarla en público con sus imperfecciones a la vista. Cuando una compañía de ese tamaño elige mostrar lo incómodo en lugar de esconderlo, el mensaje para el resto del ecosistema es que la voz dejó de ser una función más y empezó a ser una capa de infraestructura.

Para tu startup, la lección práctica es no esperar a la API. Audita hoy dónde tu producto está sordo al tono del cliente, mide cuánto te cuesta transcribir lo que debería escucharse y define qué harías distinto si el modelo corriera en el dispositivo del usuario. Cuando la voz end-to-end llegue a producción, de Block o de quien sea, ya vas a tener el diagnóstico hecho.

Fuentes

• The Verge — Jack Dorsey’s Block made an AI model that talks to you like an awkward new friend (fuente original)

Artículos relacionados:

Tokio protege la voz humana: fallo clave contra clonación IA Claude voz con Opus y Sonnet: automatiza Gmail y Slack Voces clonadas por IA: lo que el caso DiMaggio-Martinet enseña 10 agentes de voz IA para empresas en 2026: comparativa completa David Greene demanda a Google por uso de voz en NotebookLM