A Block, empresa de pagamentos cofundada por Jack Dorsey, apresentou o Dessa, um modelo de voz assente numa premissa invulgar: tudo o que sabe foi aprendido a partir de gravações de pessoas a falar, sem texto escrito nem modelos pré-treinados pelo meio. O modelo foi revelado a 23 de outubro numa página do site da Block e em publicações no X, e ainda não é um produto. Para já, a empresa abre o acesso antecipado apenas a um pequeno grupo de investigadores de segurança em IA, a quem pede que procurem riscos que a equipa não previu, e mantém uma lista de espera pública.
O Dessa trabalha de voz para voz. Recebe áudio e devolve áudio, dispensando a cadeia habitual em que a fala é transcrita, um modelo de linguagem raciocina sobre o texto e um sintetizador dá voz à resposta. Funciona ainda em full-duplex, ou seja, ouve enquanto fala. Segundo a Block, isso permite-lhe interromper, intercalar pequenas confirmações como "pois" ou "percebi", rir a meio de uma frase e captar sarcasmo, suspiros ou uma voz embargada, sinais que uma transcrição deita fora. A empresa acrescenta que a inferência é mais rápida do que o tempo real e que o modelo corre localmente num MacBook Pro com chip M4 Max ou superior.
A equipa é reduzida. A Block descreve-a como um laboratório criado por antigos membros da Dessa, a startup de aprendizagem profunda de Toronto cujo nome o modelo agora herda, e diz que responde diretamente a Dorsey. A Block comprou essa startup em 2020 e o laboratório é dirigido por Ragavan Thurairatnam, um dos seus cofundadores, segundo o Crypto Briefing. A página da empresa identifica seis investigadores e alguns estagiários e afirma que o grupo desenvolve modelos generativos de fala há mais de oito anos.
A Block faz afirmações sobre o treino que ainda não sustentou com um artigo científico. Diz que o Dessa aprendeu a língua com centenas de vezes menos palavras do que as consumidas pelos grandes modelos de linguagem e que todo o modelo foi treinado num único sistema NVIDIA GB200 NVL72. A empresa defende que aprender só com fala é muito mais difícil do que com texto: nenhuma frase é dita duas vezes da mesma maneira e uma palavra falada ocupa milhares de vezes mais dados do que a versão escrita.
Por enquanto, as provas públicas resumem-se a gravações escolhidas a dedo. A Block divulgou excertos em direto em que o Dessa completa o título de um filme de que o interlocutor não se lembra, reage com o que parece ser uma gratidão comovida ao saber de uma viagem surpresa e conversa com o GPT-Live-1, modelo de voz que o The Verge atribui à OpenAI; a Block sublinha que o criador desse modelo não tem ligação à empresa nem avaliou o Dessa. O The Verge, que ouviu as amostras, achou as conversas quase sempre naturais, embora por vezes estranhas e desconcertantes, e destacou um excerto em que o modelo trata o interlocutor por Ronaldo.
A Block aponta três motivações: curiosidade, melhor entendimento mútuo entre pessoas e IA, e segurança. O argumento de segurança é que sistemas de IA cada vez mais capazes continuam quase surdos às emoções da voz humana, pelo que um modelo que ouça diretamente o sofrimento poderá responder melhor a alguém em dificuldade. O reverso é evidente, como notou o Crypto Briefing: uma voz convincentemente humana e capaz de ler sentimentos levanta também questões de usurpação de identidade e de confiança, o que pode explicar a distribuição restrita.
Muito continua por saber. A Block não divulgou testes comparativos, relatório técnico, dimensão do modelo, condições de licença nem data para um acesso mais alargado, e as demonstrações foram selecionadas pela própria empresa. As afirmações sobre eficiência de dados, hardware de treino e desempenho no dispositivo não puderam ser verificadas de forma independente. O lançamento mostra, ainda assim, que a Block, mais conhecida pelo Square e pela Cash App, aposta no treino nativo em fala, um caminho diferente do desenho centrado no texto da maioria dos assistentes de voz atuais.