David Ermes

Dessa no es otro modelo de voz. Es el primer intento serio de enseñar a hablar a una IA exactamente como aprendemos los humanos: solo escuchando. Jack Dorsey acaba de presentar Dessa, el modelo de habla de Block entrenado únicamente con audio de conversaciones humanas. Sin texto. Sin modelos preentrenados. Sin convertir nada a letras. Audio entra, audio sale. Eso cambia todo. Hasta ahora casi todas las IAs de voz hacen lo mismo: escuchan → transcriben a texto → piensan en texto → sintetizan voz. En el camino pierden la risa a medias, el suspiro de frustración, el “ajá” que dice “te sigo”, la pausa que carga de emoción, el tono que delata ironía. Dessa se salta ese paso. Es full-duplex: escucha y habla al mismo tiempo. Puede interrumpirte, puede dejar que la interrumpas, puede hacer backchanneling (“sí, claro”, “¡no jodas!”) mientras tú sigues hablando. Habla con cadencia, emoción y silencios. Como una persona. Y lo más loco: lo aprendió de la misma forma que un bebé. Solo escuchando. El equipo lo dice explícitamente: “Los bebés aprenden a hablar sin ver nunca una palabra escrita. Queríamos ver si un modelo también podía. Puede. Solo que es muy difícil”. Además, es brutalmente eficiente. Se entrenó en un solo rack NVIDIA GB200 NVL72 y corre localmente en un MacBook Pro M4 Max o superior, más rápido que tiempo real. Un laboratorio pequeño dentro de Block, que reporta directamente a Dorsey, acaba de demostrar que no hace falta un cluster de 100.000 GPUs para avanzar la frontera del habla. Todavía no está disponible para el público (solo acceso temprano para investigadores de seguridad y lista de espera), pero las demos que han soltado ya muestran algo que se siente distinto: más vivo, más torpe a veces, más humano. Si esto escala, la forma en que hablamos con las máquinas va a cambiar de “interfaz de voz” a conversación real. Y eso, si lo piensas, es un cambio bastante profundo.