Block presenta Dessa: un modelo de voz nativo que procesa audio sin transcripción intermedia

Un enfoque radical: inteligencia nativa del habla

El 23 de octubre de 2026, Block anunció el lanzamiento de Dessa, un modelo de inteligencia artificial diseñado específicamente para la interacción por voz. A diferencia de la mayoría de los asistentes actuales, que dependen de una cadena de procesamiento que convierte el audio en texto, lo procesa y luego lo sintetiza de nuevo, Dessa opera como un sistema de voz a voz de extremo a extremo. Esto significa que el modelo recibe audio y produce audio sin pasar por una etapa intermedia de transcripción textual.

La empresa describe este enfoque como un experimento en 'inteligencia nativa del habla'. La premisa es que, al igual que los humanos aprenden idiomas escuchando antes de leer, un modelo puede adquirir competencias lingüísticas y conversacionales directamente de las señales acústicas. Block excluyó deliberadamente cualquier preentrenamiento basado en libros, páginas web o conjuntos de datos de texto para explorar qué capacidades emergen cuando un modelo se expone únicamente a la dinámica de la conversación humana.

Arquitectura full-duplex y gestión del diálogo

Una de las características técnicas más destacadas de Dessa es su capacidad para operar en modo dúplex completo. En la práctica, esto permite que el sistema escuche y hable simultáneamente, imitando el comportamiento de una llamada telefónica real. El modelo puede reaccionar a interrupciones del usuario, intercalar sonidos de reconocimiento (como 'sí' o 'ajá') mientras el interlocutor habla y ajustar su ritmo al de la conversación.

Esta arquitectura permite al modelo capturar señales no verbales que son cruciales para la comunicación natural. Según los materiales de Block, Dessa gestiona el ritmo y los aspectos emocionales del diálogo, incluyendo la detección de sarcasmo, ironía o cambios en el estado emocional del hablante. Las demostraciones públicas mostraron al modelo riendo a medias, subiendo el volumen cuando se le solicitaba y completando frases, aunque también se observaron errores ocasionales, como dirigirse incorrectamente a un usuario por un nombre ajeno.

Entrenamiento exclusivo con audio humano

El equipo de investigación de Block, liderado por Ragavan Thurairatnam, entrenó Dessa utilizando exclusivamente audio de conversaciones humanas. La empresa afirma que no se utilizaron datos de texto ni modelos preentrenados en lenguaje escrito. Este método busca replicar la adquisición del lenguaje en humanos, donde la entrada auditiva es la fuente primaria de aprendizaje antes de la exposición a la escritura.

Según las declaraciones de la empresa, este enfoque permite al modelo aprender la estructura del idioma, las normas sociales de la conversación y las señales emocionales directamente de la fuente. Sin embargo, los analistas señalan que esta metodología plantea preguntas abiertas sobre la eficiencia con la que el modelo adquiere hechos concretos o conocimientos estructurados, áreas donde los modelos basados en texto suelen tener una ventaja clara debido a la densidad de información en los corpus escritos.

Requisitos de hardware y ejecución local

Block ha destacado la eficiencia computacional de Dessa. La empresa afirma que el entrenamiento del modelo se realizó en un único rack NVIDIA GB200 NVL72, una configuración significativamente menor que la utilizada para entrenar modelos de lenguaje de frontera basados en texto, que suelen requerir decenas de miles de aceleradores.

En cuanto a la inferencia, Block indica que Dessa se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max o superior. Esto sugiere que el modelo tiene un tamaño de parámetros y una huella de memoria que permiten su ejecución en hardware de consumo de gama alta. La capacidad de ejecutar el modelo localmente tiene implicaciones importantes para la privacidad, ya que las conversaciones no necesitan ser enviadas a servidores externos para su procesamiento.

Acceso restringido y evaluación de riesgos

A pesar del anuncio, Dessa no está disponible para el público general. Block ha limitado el acceso anticipado a un grupo pequeño de investigadores en seguridad de la inteligencia artificial. La empresa ha declarado que su objetivo es estudiar las implicaciones y los riesgos asociados con un modelo de voz que suena convincentemente humano y reacciona a señales emocionales.

Las preocupaciones principales giran en torno a la suplantación de identidad y la manipulación de la confianza. A diferencia de los chatbots de texto, una voz que puede detectar y responder a matices emocionales tiene un potencial mayor para ser utilizada en fraudes o para influir en la toma de decisiones de los usuarios. Block ha indicado que desea una evaluación externa del comportamiento del modelo antes de una distribución más amplia, reconociendo que las demostraciones públicas, aunque prometedoras, no constituyen una base suficiente para afirmar la fiabilidad general del sistema.

Continúa explorando

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.