Block، شرکت پرداختی که جک دورسی از بنیان‌گذاران آن است، مدل صوتی تازه‌ای به نام Dessa معرفی کرده که بر فرضی غیرمعمول بنا شده است: هر آنچه این مدل می‌داند از ضبط صدای آدم‌ها در حال گفت‌وگو آمده و نه متن نوشتاری در آموزش آن نقش داشته و نه مدل از پیش آموزش‌دیده. این مدل روز ۲۳ اکتبر در صفحه‌ای از وب‌سایت Block و چند پست در X معرفی شد و هنوز محصول نیست. شرکت فعلاً دسترسی زودهنگام را فقط به گروهی کوچک از پژوهشگران ایمنی هوش مصنوعی داده و از آنها خواسته خطرهایی را پیدا کنند که تیم پیش‌بینی نکرده است؛ در کنار آن، فهرست انتظار عمومی هم باز شده است.
Dessa مدلی گفتار به گفتار است؛ صدا می‌گیرد و صدا پس می‌دهد و از زنجیره معمول عبور نمی‌کند که در آن گفتار به متن تبدیل می‌شود، یک مدل زبانی روی متن استدلال می‌کند و سپس موتور تولید صدا پاسخ را می‌خواند. این مدل دوطرفه هم‌زمان هم هست، یعنی در حالی که حرف می‌زند گوش هم می‌دهد. به گفته Block، همین ویژگی به آن امکان می‌دهد وسط حرف بپرد، با واژه‌های کوتاهی مثل «آره» یا «فهمیدم» همراهی کند، میان جمله بخندد و طعنه، آه کشیدن یا لرزش صدا را تشخیص دهد؛ نشانه‌هایی که در رونوشت متنی از دست می‌روند. شرکت می‌افزاید که استنتاج سریع‌تر از زمان واقعی انجام می‌شود و مدل روی MacBook Pro با تراشه M4 Max یا قوی‌تر به‌صورت محلی کار می‌کند.
تیم سازنده کوچک است. Block آن را آزمایشگاهی معرفی می‌کند که اعضای پیشین Dessa، استارتاپ یادگیری عمیق مستقر در تورنتو که حالا نامش روی این مدل گذاشته شده، راه انداخته‌اند و می‌گوید این تیم مستقیم به دورسی گزارش می‌دهد. به نوشته Crypto Briefing، Block آن استارتاپ را در سال ۲۰۲۰ خرید و ریاست آزمایشگاه با Ragavan Thurairatnam، یکی از هم‌بنیان‌گذاران آن، است. صفحه Block نام شش پژوهشگر و چند کارآموز را آورده و می‌گوید این گروه بیش از هشت سال است که مدل‌های مولد گفتار می‌سازد.
Block درباره آموزش مدل ادعاهایی دارد که هنوز با مقاله علمی پشتیبانی نشده‌اند. شرکت می‌گوید Dessa زبان را با صدها برابر واژه کمتر از آنچه مدل‌های زبانی بزرگ مصرف می‌کنند آموخته و کل مدل فقط روی یک سامانه NVIDIA GB200 NVL72 آموزش دیده است. به استدلال Block، یادگیری صرفاً از گفتار بسیار دشوارتر از متن است: هیچ جمله‌ای دو بار دقیقاً یکسان ادا نمی‌شود و یک واژه گفتاری هزاران برابر صورت نوشتاری‌اش داده می‌گیرد.
تا اینجا شواهد عمومی به ضبط‌هایی محدود است که خود شرکت برگزیده است. Block قطعه‌هایی زنده منتشر کرده که در آنها Dessa نام فیلمی را که گوینده به یاد نمی‌آورد کامل می‌کند، با شنیدن خبر یک سفر غافلگیرکننده با لحنی شبیه قدردانی اشک‌آلود واکنش نشان می‌دهد و با GPT-Live-1 گفت‌وگو می‌کند؛ مدلی صوتی که The Verge آن را متعلق به OpenAI می‌داند. Block تأکید می‌کند سازنده آن مدل هیچ وابستگی‌ای به این شرکت ندارد و Dessa را بررسی نکرده است. The Verge که نمونه‌ها را شنیده، گفت‌وگوها را بیشتر طبیعی اما گاهی ناشیانه و غریب توصیف کرده و به قطعه‌ای اشاره می‌کند که در آن مدل مخاطبش را رونالدو صدا می‌زند.
Block سه انگیزه برای این کار برمی‌شمارد: کنجکاوی، درک متقابل بهتر میان انسان و هوش مصنوعی، و ایمنی. استدلال ایمنی شرکت این است که سامانه‌های هوش مصنوعی با وجود توانمندتر شدن، هنوز تقریباً نسبت به احساسات نهفته در صدای انسان ناشنوا هستند و مدلی که پریشانی را مستقیم بشنود، شاید بتواند به فردی که در رنج است واکنش مناسب‌تری نشان دهد. روی دیگر سکه هم آشکار است، چنان که Crypto Briefing یادآوری کرده: صدایی که به‌طرزی باورپذیر انسانی است و احساسات را می‌خواند، پرسش‌هایی درباره جعل هویت و اعتماد پیش می‌کشد و شاید همین دلیل عرضه محدود باشد.
هنوز پرسش‌های زیادی بی‌پاسخ مانده است. Block نه نتایج سنجش منتشر کرده، نه گزارش فنی، نه اندازه مدل، نه شرایط مجوز و نه زمانی برای دسترسی گسترده‌تر، و نمونه‌های نمایشی را هم خود شرکت انتخاب کرده است. ادعاهای مربوط به بهره‌وری داده، سخت‌افزار آموزش و عملکرد روی دستگاه را نمی‌شد به‌طور مستقل سنجید. با این حال، این رونمایی نشان می‌دهد Block که بیشتر با Square و Cash App شناخته می‌شود، روی آموزش بومی گفتار سرمایه‌گذاری کرده است؛ مسیری متفاوت با طراحی متن‌محوری که پشت بیشتر دستیارهای صوتی امروزی قرار دارد.