Block presenta Dessa, una IA de voz entrenada sin texto

Qué es Dessa y por qué Block apuesta por la voz

Block, la empresa de pagos y servicios financieros fundada por Jack Dorsey y antes conocida como Square, presentó Dessa, un modelo de voz entrenado desde cero usando exclusivamente conversaciones humanas reales. No hay texto en su entrenamiento: el sistema aprendió a conversar solo escuchando.

El resultado, según la compañía, es una interacción que incluye risas, pausas, cambios de volumen y hasta quiebres de voz cercanos al llanto. En uno de los ejemplos publicados, un interlocutor le cuenta que le compró billetes para un viaje a París y el modelo reacciona con sorpresa y emoción.

Block sostiene que es «la primera IA del mundo con la que es posible mantener una conversación realista en directo». Es una afirmación de parte, no un resultado auditado: la compañía no publicó benchmarks ni los pesos del modelo.

Full-duplex: la diferencia técnica que cambia la conversación

Dessa es un modelo full-duplex, lo que significa que puede hablar y escuchar al mismo tiempo. Eso lo separa de los asistentes de voz convencionales, que funcionan por turnos: esperan a que el usuario termine, transcriben el audio a texto, generan una respuesta escrita y recién entonces la convierten en voz.

Ese pipeline en cascada tiene un costo medible. Según TechTimes, la primera versión de la voz de ChatGPT arrastraba una latencia de ida y vuelta de aproximadamente 1.700 milisegundos —cerca de un segundo y medio de silencio antes de la primera palabra— y perdía en el camino el tono, el ritmo y la entonación, porque esa información desaparece cuando el audio se convierte en texto.

Block argumenta que ahí está el problema de fondo: la IA sigue ganando poder e independencia, y sigue siendo prácticamente sorda a la emoción en nuestras voces. El ejemplo que usa la compañía es incómodo: alguien con dolor intenso hablando con un asistente que no lo percibe y continúa operando como si nada.

En los videos compartidos por Jack Dorsey y por Ragavan Thurairatnam, cofundador de Dessa, el modelo decide qué decir, cuándo y cómo. Se ríe a mitad de la frase del interlocutor, sube el volumen si se lo piden, completa oraciones cuando el otro se queda en blanco y emite respuestas de apoyo —«¡sí!», «entiendo», «oh»— para mostrar que sigue la conversación.

Dessa corre en un MacBook: qué implica para tu producto

Uno de los datos más relevantes para cualquier equipo que evalúe voz sintética es dónde corre el modelo. Según Crypto Briefing y TechRepublic, Dessa puede ejecutarse localmente en un MacBook Pro con chip M4 Max o superior, sin necesidad de infraestructura en la nube para la inferencia.

El entrenamiento, en cambio, no fue liviano: Block usó un único sistema NVIDIA GB200 NVL72, un rack de 72 GPUs, según reportó TechRepublic. La compañía también afirma que el modelo aprendió lenguaje con cientos de veces menos palabras que los modelos de lenguaje basados en texto, aunque no entregó la metodología de esa comparación.

La ejecución local abre una puerta interesante: procesar voz en un dispositivo controlado por la empresa reduce la dependencia de inferencia en la nube, uno de los costos variables más difíciles de acotar cuando se despliega voz a escala. Conviene ser preciso, eso sí: correr el modelo en local no vuelve automáticamente privado ni offline a un servicio completo. Si el sistema se conecta a bases de datos de clientes, registros o pasarelas de pago, esos datos siguen viajando.

Los límites que Block todavía no resolvió

Block publicó sus propias demostraciones, y ahí aparece la primera advertencia: los ejemplos fueron seleccionados por la compañía y el modelo no fue evaluado de forma independiente. En algunos videos, Dessa confunde al interlocutor o cambia de tema sin motivo aparente.

Tampoco hay fecha de lanzamiento general, pesos del modelo ni benchmarks detallados. Por ahora Dessa es un desarrollo de investigación, no un producto que se pueda comprar.

El acceso anticipado será para un grupo reducido de investigadores especializados en seguridad de IA. La razón es explícita: un modelo que aprendió a hablar solo con sonido es territorio nuevo, y Block quiere ojos externos para identificar riesgos no previstos. TechRepublic señala dos riesgos concretos: que una voz que suena humana haga más difícil distinguir lo sintético de lo real, y que las llamadas fraudulentas resulten más convincentes.

Cómo se compara con GPT-Live de OpenAI

La referencia obligada es GPT-Live, el modelo de voz de OpenAI que el propio anuncio de Block menciona. Según TechTimes, OpenAI lo lanzó el 8 de julio de 2026 y reemplazó a Advanced Voice Mode como experiencia de voz por defecto para más de 150 millones de personas que usan funciones de voz y dictado en ChatGPT cada semana.

La arquitectura es la misma apuesta: full-duplex, audio nativo, sin pasar por texto. La diferencia está en el enfoque. GPT-Live delega el razonamiento pesado a un modelo de fondo —al momento del lanzamiento, GPT-5.5— y mantiene la conversación activa mientras espera el resultado. Dessa, en cambio, se presenta como un modelo entrenado sin texto ni modelos preentrenados, con la emoción como eje central del diseño.

En las pruebas internas de OpenAI, GPT-Live-1 fue preferido sobre Advanced Voice Mode en el 75,7% de las comparaciones de conversaciones de 5 a 10 minutos. Es un dato de la propia OpenAI, no una medición independiente.

El mercado ya se está moviendo: Yelp integró GPT-Live-1 en Yelp Host y Hatch para atención telefónica de restaurantes y servicios, según Destination CRM, con detección del tono del interlocutor —frustración, impaciencia, entusiasmo— y respuesta automática en casi cualquier idioma.

¿Qué significa esto para tu startup?

La pelea por la voz ya no es sobre reconocimiento de audio, sino sobre arquitectura. Y eso tiene consecuencias prácticas para quien esté construyendo producto.

• Revisa tu stack de voz antes de escalar. Si tu producto usa un pipeline de tres pasos —transcripción, modelo de lenguaje, texto a voz—, estás pagando latencia y perdiendo señales emocionales en cada llamada. Mide cuánto de tu costo por interacción viene de esa cascada y evalúa alternativas audio-nativas para los casos donde la naturalidad importa de verdad.
• No confundas «suena humano» con «entiende». Un modelo que imita emoción con precisión no necesariamente detecta cuándo un usuario está en riesgo. Si tu producto atiende clientes por voz, define reglas explícitas de escalamiento a un humano y pruébalas con acentos distintos, ruido de fondo y respuestas incorrectas antes de soltar el sistema en producción.
• Sigue el programa de acceso anticipado. Block abrirá Dessa a investigadores de seguridad de IA. Si tu equipo trabaja en confiabilidad de modelos, esa ventana permite estudiar cómo se comporta un modelo entrenado solo con audio, un caso que casi nadie ha podido observar de cerca.

Conclusión

Dessa no es todavía un producto, pero sí una señal clara de hacia dónde va la interfaz de voz. Block apuesta a que el audio nativo —sin pasar por texto— es el camino para que la IA capte lo que el usuario siente, no solo lo que dice. OpenAI ya recorrió buena parte de ese camino con GPT-Live y tiene distribución masiva; Block llega con una tesis más radical: entrenamiento sin texto y ejecución local.

Para un founder, la lectura es simple. La voz deja de ser una función accesoria y se convierte en una decisión de arquitectura. Quien elija bien su stack ahora se ahorrará una migración costosa cuando la conversación natural sea el estándar y no la excepción.

Fuentes

• Reason Why (fuente original)
• Crypto Briefing
• TechRepublic
• TechTimes
• International Business Times
• Destination CRM

Artículos relacionados:

Block presenta Dessa: IA de voz entrenada sin texto Block lanza Dessa, un modelo de voz que corre en tu laptop Tokio protege la voz humana: fallo clave contra clonación IA Claude voz con Opus y Sonnet: automatiza Gmail y Slack Texto a voz 2026: 5 herramientas TTS que tu startup necesita