Block apresenta Dessa: modelo de voz nativo que processa áudio sem transcrição intermediária

Uma abordagem radical: inteligência nativa da fala

Em 23 de outubro de 2026, a Block anunciou o lançamento do Dessa, um modelo de inteligência artificial projetado especificamente para interação por voz. Diferente da maioria dos assistentes atuais, que dependem de uma cadeia de processamento que converte áudio em texto, o processa e depois o sintetiza novamente, o Dessa opera como um sistema de voz para voz de ponta a ponta. Isso significa que o modelo recebe áudio e produz áudio sem passar por uma etapa intermediária de transcrição textual.

A empresa descreve essa abordagem como um experimento em 'inteligência nativa da fala'. A premissa é que, assim como os humanos aprendem idiomas ouvindo antes de ler, um modelo pode adquirir competências linguísticas e conversacionais diretamente dos sinais acústicos. A Block excluiu deliberadamente qualquer pré-treinamento baseado em livros, páginas da web ou conjuntos de dados de texto para explorar quais capacidades emergem quando um modelo é exposto apenas à dinâmica da conversa humana.

Arquitetura full-duplex e gestão do diálogo

Uma das características técnicas mais destacadas do Dessa é sua capacidade de operar em modo full-duplex. Na prática, isso permite que o sistema ouça e fale simultaneamente, imitando o comportamento de uma chamada telefônica real. O modelo pode reagir a interrupções do usuário, intercalar sons de reconhecimento (como 'sim' ou 'ah') enquanto o interlocutor fala e ajustar seu ritmo ao da conversa.

Essa arquitetura permite ao modelo capturar sinais não verbais que são cruciais para a comunicação natural. Segundo os materiais da Block, o Dessa gerencia o ritmo e os aspectos emocionais do diálogo, incluindo a detecção de sarcasmo, ironia ou mudanças no estado emocional do falante. As demonstrações públicas mostraram o modelo rindo a meio, aumentando o volume quando solicitado e completando frases, embora também tenham sido observados erros ocasionais, como dirigir-se incorretamente a um usuário por um nome alheio.

Treinamento exclusivo com áudio humano

A equipe de pesquisa da Block, liderada por Ragavan Thurairatnam, treinou o Dessa utilizando exclusivamente áudio de conversas humanas. A empresa afirma que não foram utilizados dados de texto nem modelos pré-treinados em linguagem escrita. Este método busca replicar a aquisição da linguagem em humanos, onde a entrada auditiva é a fonte primária de aprendizado antes da exposição à escrita.

Segundo as declarações da empresa, essa abordagem permite ao modelo aprender a estrutura da língua, as normas sociais da conversa e os sinais emocionais diretamente da fonte. No entanto, analistas apontam que esta metodologia levanta questões abertas sobre a eficiência com que o modelo adquire fatos concretos ou conhecimentos estruturados, áreas onde os modelos baseados em texto costumam ter uma vantagem clara devido à densidade de informação nos corpora escritos.

Requisitos de hardware e execução local

A Block destacou a eficiência computacional do Dessa. A empresa afirma que o treinamento do modelo foi realizado em um único rack NVIDIA GB200 NVL72, uma configuração significativamente menor do que a utilizada para treinar modelos de linguagem de fronteira baseados em texto, que costumam requerer dezenas de milhares de aceleradores.

Quanto à inferência, a Block indica que o Dessa é executado mais rápido que em tempo real em um MacBook Pro M4 Max ou superior. Isso sugere que o modelo tem um tamanho de parâmetros e uma pegada de memória que permitem sua execução em hardware de consumo de alta gama. A capacidade de executar o modelo localmente tem implicações importantes para a privacidade, já que as conversas não precisam ser enviadas para servidores externos para seu processamento.

Acesso restrito e avaliação de riscos

Apesar do anúncio, o Dessa não está disponível para o público em geral. A Block limitou o acesso antecipado a um pequeno grupo de pesquisadores em segurança de inteligência artificial. A empresa declarou que seu objetivo é estudar as implicações e os riscos associados a um modelo de voz que soa convincentemente humano e reage a sinais emocionais.

As principais preocupações giram em torno da suplantação de identidade e da manipulação da confiança. Diferente dos chatbots de texto, uma voz que pode detectar e responder a nuances emocionais tem um potencial maior para ser utilizada em fraudes ou para influenciar a tomada de decisão dos usuários. A Block indicou que deseja uma avaliação externa do comportamento do modelo antes de uma distribuição mais ampla, reconhecendo que as demonstrações públicas, embora promissoras, não constituem uma base suficiente para afirmar a confiabilidade geral do sistema.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.