Block, la société de paiement cofondée par Jack Dorsey, présente Dessa, un modèle vocal fondé sur un pari peu commun : tout ce qu'il sait provient d'enregistrements de personnes en train de parler, sans texte écrit ni modèle préentraîné. Dévoilé le 23 octobre sur une page du site de Block et dans des messages publiés sur X, il ne s'agit pas encore d'un produit. L'entreprise réserve pour l'instant un accès anticipé à un petit groupe de chercheurs en sécurité de l'IA, invités à débusquer les risques que l'équipe n'a pas envisagés, et ouvre en parallèle une liste d'attente.
Dessa fonctionne de la parole à la parole. Il reçoit du son et renvoie du son, sans passer par la chaîne classique où la voix est transcrite, où un modèle de langage raisonne sur le texte puis où un synthétiseur prononce la réponse. Il est aussi full-duplex : il écoute pendant qu'il parle. D'après Block, il peut ainsi couper la parole, glisser de brèves marques d'écoute comme « ouais » ou « d'accord », rire au milieu d'une phrase et saisir le sarcasme, un soupir ou une voix qui se brise, autant d'indices qu'une transcription efface. L'entreprise ajoute que l'inférence va plus vite que le temps réel et que le modèle tourne en local sur un MacBook Pro équipé d'une puce M4 Max ou plus puissante.
L'équipe est restreinte. Block la présente comme un laboratoire fondé par d'anciens membres de Dessa, la start-up torontoise d'apprentissage profond dont le modèle reprend le nom, et indique qu'elle rend compte directement à Jack Dorsey. Block a racheté cette start-up en 2020, et le laboratoire est dirigé par Ragavan Thurairatnam, l'un de ses cofondateurs, selon Crypto Briefing. La page de l'entreprise recense six chercheurs et quelques stagiaires, et affirme que le groupe conçoit des modèles génératifs de parole depuis plus de huit ans.
Block avance des affirmations sur l'entraînement qu'aucune publication scientifique n'étaye encore. Selon elle, Dessa a appris la langue avec des centaines de fois moins de mots que les grands modèles de langage, et l'ensemble du modèle a été entraîné sur un seul système NVIDIA GB200 NVL72. L'entreprise souligne que l'apprentissage à partir de la seule parole est bien plus ardu qu'avec du texte : aucune phrase n'est jamais prononcée deux fois à l'identique, et un mot parlé pèse des milliers de fois plus de données que sa version écrite.
Pour l'heure, les preuves publiques se limitent à des enregistrements triés sur le volet. Block a diffusé des extraits en direct où Dessa retrouve le titre d'un film qui échappe à son interlocuteur, réagit avec ce qui ressemble à une gratitude émue à l'annonce d'un voyage surprise, et discute avec GPT-Live-1, un modèle vocal que The Verge attribue à OpenAI ; Block précise que le concepteur de ce modèle n'a aucun lien avec elle et n'a pas évalué Dessa. The Verge, qui a écouté les échantillons, juge les échanges globalement naturels mais parfois maladroits et troublants, citant un extrait où le modèle appelle son interlocuteur Ronaldo.
Block invoque trois motivations : la curiosité, une meilleure compréhension mutuelle entre humains et IA, et la sécurité. Son argument de sécurité tient au fait que des systèmes d'IA de plus en plus puissants restent quasiment sourds aux émotions de la voix humaine ; un modèle qui perçoit directement la détresse pourrait donc mieux réagir face à une personne en souffrance. Le revers est évident, comme le relève Crypto Briefing : une voix crédible qui lit les émotions soulève aussi des questions d'usurpation d'identité et de confiance, ce qui peut expliquer ce déploiement restreint.
Bien des inconnues demeurent. Block n'a publié ni résultats de référence, ni rapport technique, ni taille de modèle, ni conditions de licence, ni calendrier d'ouverture, et les démonstrations ont été choisies par l'entreprise elle-même. Ses déclarations sur l'efficacité des données, le matériel d'entraînement et les performances en local n'ont pas pu être vérifiées de façon indépendante. Ce lancement montre néanmoins que Block, surtout connue pour Square et Cash App, mise sur un apprentissage natif de la parole, une voie distincte de la conception centrée sur le texte qui domine les assistants vocaux actuels.