Block presenta Dessa: un modello vocale nativo che elabora audio senza trascrizione intermedia

Un approccio radicale: intelligenza nativa del parlato

Il 23 ottobre 2026, Block ha annunciato il lancio di Dessa, un modello di intelligenza artificiale progettato specificamente per l'interazione vocale. A differenza della maggior parte degli assistenti attuali, che dipendono da una catena di elaborazione che converte l'audio in testo, lo processa e poi lo sintetizza di nuovo, Dessa opera come un sistema vocale end-to-end. Ciò significa che il modello riceve audio e produce audio senza passare attraverso una fase intermedia di trascrizione testuale.

L'azienda descrive questo approccio come un esperimento di 'intelligenza nativa del parlato'. La premessa è che, proprio come gli umani imparano le lingue ascoltando prima di leggere, un modello può acquisire competenze linguistiche e conversazionali direttamente dai segnali acustici. Block ha deliberatamente escluso qualsiasi pre-addestramento basato su libri, pagine web o set di dati testuali per esplorare quali capacità emergono quando un modello è esposto esclusivamente alla dinamica della conversazione umana.

Architettura full-duplex e gestione del dialogo

Una delle caratteristiche tecniche più distintive di Dessa è la sua capacità di operare in modalità full-duplex. In pratica, ciò consente al sistema di ascoltare e parlare simultaneamente, imitando il comportamento di una telefonata reale. Il modello può reagire alle interruzioni dell'utente, inserire suoni di riconoscimento (come 'sì' o 'ah') mentre l'interlocutore parla e adattare il suo ritmo a quello della conversazione.

Questa architettura consente al modello di catturare segnali non verbali cruciali per la comunicazione naturale. Secondo i materiali di Block, Dessa gestisce il ritmo e gli aspetti emotivi del dialogo, inclusa la rilevazione di sarcasmo, ironia o cambiamenti nello stato emotivo del parlante. Le dimostrazioni pubbliche hanno mostrato il modello ridere a metà, alzare il volume su richiesta e completare frasi, sebbene siano stati osservati anche errori occasionali, come rivolgersi erroneamente a un utente con un nome estraneo.

Addestramento esclusivo su audio umano

Il team di ricerca di Block, guidato da Ragavan Thurairatnam, ha addestrato Dessa utilizzando esclusivamente audio di conversazioni umane. L'azienda afferma che non sono stati utilizzati dati testuali né modelli pre-addestrati in linguaggio scritto. Questo metodo cerca di replicare l'acquisizione del linguaggio negli umani, dove l'input uditivo è la fonte primaria di apprendimento prima dell'esposizione alla scrittura.

Secondo le dichiarazioni dell'azienda, questo approccio consente al modello di imparare la struttura della lingua, le norme sociali della conversazione e i segnali emotivi direttamente dalla fonte. Tuttavia, gli analisti sottolineano che questa metodologia pone domande aperte sull'efficienza con cui il modello acquisisce fatti concreti o conoscenze strutturate, aree in cui i modelli basati sul testo hanno spesso un chiaro vantaggio grazie alla densità di informazione nei corpus scritti.

Requisiti hardware ed esecuzione locale

Block ha evidenziato l'efficienza computazionale di Dessa. L'azienda afferma che l'addestramento del modello è stato eseguito su un singolo rack NVIDIA GB200 NVL72, una configurazione significativamente inferiore rispetto a quella utilizzata per addestrare modelli linguistici di frontiera basati sul testo, che richiedono tipicamente decine di migliaia di acceleratori.

Per quanto riguarda l'inferenza, Block indica che Dessa si esegue più velocemente del tempo reale su un MacBook Pro M4 Max o superiore. Questo suggerisce che il modello ha un numero di parametri e un'impronta di memoria che ne consentono l'esecuzione su hardware consumer di fascia alta. La capacità di eseguire il modello localmente ha implicazioni importanti per la privacy, poiché le conversazioni non devono essere inviate a server esterni per l'elaborazione.

Accesso limitato e valutazione dei rischi

Nonostante l'annuncio, Dessa non è disponibile al pubblico generale. Block ha limitato l'accesso anticipato a un piccolo gruppo di ricercatori in sicurezza dell'intelligenza artificiale. L'azienda ha dichiarato che il suo obiettivo è studiare le implicazioni e i rischi associati a un modello vocale che suona convincentemente umano e reagisce a segnali emotivi.

Le principali preoccupazioni ruotano attorno al furto d'identità e alla manipolazione della fiducia. A differenza dei chatbot testuali, una voce che può rilevare e rispondere a sfumature emotive ha un potenziale maggiore per essere utilizzata in frodi o per influenzare il processo decisionale degli utenti. Block ha indicato di desiderare una valutazione esterna del comportamento del modello prima di una distribuzione più ampia, riconoscendo che le dimostrazioni pubbliche, sebbene promettenti, non costituiscono una base sufficiente per affermare l'affidabilità generale del sistema.

Continua a esplorare

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.