Block apresenta o Dessa, modelo de voz treinado só com fala humana que ouve e fala ao mesmo tempo

A Block, empresa de Jack Dorsey, entrou na corrida dos assistentes de voz. Seu laboratório de pesquisa apresentou o Dessa, um modelo de conversa que fala e ouve ao mesmo tempo. Segundo a empresa, ele foi treinado do zero só com áudio de conversas, sem texto.

Os dados de desempenho abaixo vêm da página oficial do Dessa e são alegações da empresa, sem teste independente até agora. O anúncio circulou na sexta-feira (23), em posts no X de Jack Dorsey e da equipe, segundo o TechCrunch.

O que é o Dessa

O Dessa é um modelo "full-duplex" de fala para fala. Na prática, isso quer dizer que ele recebe áudio e devolve áudio, e continua escutando enquanto responde. Assim, a conversa pode ter interrupções, como acontece entre pessoas.

A maioria dos assistentes de voz funciona de outro jeito. Primeiro, eles transformam a fala em texto; depois, um modelo de linguagem escreve a resposta, que então vira voz. A Block critica esse caminho. Segundo a página oficial, quando a fala passa pelo texto, muita informação se perde, inclusive como a pessoa se sente.

De acordo com a página oficial, o Dessa percebe e produz emoção, riso e sarcasmo. Além disso, a empresa diz que ele solta as reações curtas de quem está ouvindo, como "ooh" ou "got it", e sabe a hora de interromper. O TechCrunch descreve demonstrações com risadas, pausas e até choro.

Treino pequeno, uso local

Dois números chamam a atenção no anúncio. Primeiro, a Block afirma que treinou o modelo em um único rack Nvidia GB200 NVL72. Segundo, a empresa diz que o Dessa aprendeu linguagem com centenas de vezes menos palavras do que os grandes modelos de texto. No entanto, a página não traz a conta por trás dessa comparação.

O modelo também roda localmente. Segundo a Block, basta um MacBook Pro com chip M4 Max ou superior. Além disso, a resposta sai mais rápida que o tempo real. O TechCrunch lembra que a Square já usa IA de voz para receber pedidos. Para o site, um modelo próprio que roda no aparelho pode oferecer mais experiências de voz a um custo menor.

Quem fez

O laboratório é pequeno e responde diretamente a Jack Dorsey, cofundador e presidente do conselho da Block. A página informa que a equipe foi fundada por ex-integrantes da Dessa, uma startup de aprendizado profundo de Toronto. O responsável pelo projeto é Ragavan Thurairatnam, apresentado como líder do Dessa. Em post no X, citado pelo TechCrunch, Thurairatnam chamou o lançamento de "a GPT3 moment for speech".

Como ele se compara

Outros modelos já ouvem e falam ao mesmo tempo. O WinBuzzer cita o Moshi, da Kyutai, e o PersonaPlex, da Nvidia. Segundo o site, porém, o Moshi parte de um modelo de linguagem treinado com texto, e o PersonaPlex usa a arquitetura do Moshi. Ainda segundo o WinBuzzer, o Dessa testa se só a fala basta para ensinar o jeito de conversar e também o conhecimento sobre o mundo.

O TechCrunch compara o Dessa também ao GPT-Live, da OpenAI. Também cita o ElevenLabs v4 e o Fish Audio Drama 3, que usam etiquetas para guiar a emoção. A Block afirma que a emoção já vem embutida no modelo. Mesmo assim, o TechCrunch diz que não está claro se ela é guiada por algum tipo de etiqueta.

Na própria página, a Block avisa que algumas demonstrações mostram o Dessa conversando com o GPT-Live-1. Esse modelo é de terceiros, sem ligação com a Block, e não endossou o projeto. Nessas conversas, as duas vozes são geradas por IA.

As demonstrações também mostram falhas

Os vídeos divulgados não são perfeitos. Segundo o WinBuzzer, que cita o The Verge, em uma das demonstrações o Dessa pode confundir a pessoa com quem conversa com alguém chamado Ronaldo. Em outra, uma conversa sobre os filmes de Christopher Nolan desvia para os filmes do Super-Homem dirigidos por Bryan Singer.

Quando dá para usar

Por enquanto, não dá. A Block abriu uma lista de espera. Além disso, oferece acesso antecipado a um pequeno grupo de pesquisadores de segurança de IA, com candidatura por e-mail institucional. O TechCrunch avalia que esses testes devem cobrir situações em que um agente de voz poderia enganar pessoas. Já a página oficial trata como problema de segurança uma IA que não percebe quando o usuário sofre. O WinBuzzer lembra, porém, que não se sabe se o Dessa reconhece isso com precisão.

O que ainda não sabemos

• Licença e pesos: nenhuma fonte diz se o modelo será aberto, nem quantos parâmetros tem.
• Dados de treino: segundo o WinBuzzer, a Block não informou de onde vieram as conversas nem como o uso foi autorizado.
• Idiomas: as demonstrações são quase todas em inglês, e as fontes não dizem se haverá suporte ao português.
• Data e preço: a página diz apenas que os links de lançamento virão "em breve".
• Testes independentes: não há benchmarks publicados.

Nossa leitura

O Dessa interessa menos pela voz e mais pela aposta técnica. Se um modelo treinado só com fala, num único rack, chegar perto dos assistentes atuais, entrar nessa área fica mais barato. Por outro lado, as falhas nas demonstrações escolhidas pela própria Block mostram que o conhecimento aprendido pelo áudio ainda tropeça. Além disso, uma voz quase humana amplia o risco de golpes. Ao chamar pesquisadores de segurança primeiro, a Block parece saber disso. Para comparar com outros agentes recentes, veja o Claude Duet, da Anthropic e a nova interface do ChatGPT com o GPT-6.