Block construye la IA de voz Dessa a partir solo de audio humano en un único rack de Nvidia

Block, de Jack Dorsey, entrenó su nuevo modelo de voz, Dessa, exclusivamente con habla humana, sin utilizar ningún texto ni modelos preentrenados.

Block indica que el modelo terminado puede ejecutarse localmente en un MacBook Pro M4 Max o superior. El laboratorio lo entrenó en un único rack de servidores Nvidia.

Block afirma que Dessa es la primera IA que conoce capaz de mantener una conversación en vivo con apariencia natural y que ha sido entrenada únicamente con voz humana. El pequeño laboratorio de investigación detrás de este proyecto reporta directamente a Dorsey.

El modelo full-duplex conversa con GPT-Live-1 de OpenAI en demostraciones no dirigidas

Muchos asistentes de voz toman lo que dice la gente, lo convierten en texto, lo procesan mediante un modelo lingüístico y luego vuelven a convertir el texto en voz. Como señala Block, este proceso elimina la emoción, el sarcasmo, la risa y esa voz quebradiza que se rompe.

Dessa es un modelo que convierte el habla en habla, sin texto intermedio. Al igual que dos personas, habla y escucha al mismo tiempo.

Sabe cuándo interrumpir y cuándo intervenir con un «¡sí!» o «¡entendido!», según Block. Se ejecuta más rápido que en tiempo real.

Block asegura que nadie guía al modelo de IA durante las grabaciones. Él decide qué decir, cuándo y cómo.

En las grabaciones, Dessa ríe a mitad de frase, se queda atónita ante una sorpresa y sube el volumen cuando se le pide que hable más fuerte. En una de las grabaciones, Dessa habló con GPT-Live-1 de OpenAI.

Block aclara que el desarrollador de GPT-Live-1 no ha revisado ni respaldado a Dessa.

¡Hemos creado el primer modelo de IA con el que puedes tener una conversación realista, entrenado completamente con voz!

Dessa es un modelo de habla a habla full-duplex que puedes ejecutar en GPUs de consumo.

Este es el momento GPT3 para el habla. pic.twitter.com/XVD8sSyJn8

— Ragavan Thurairatnam (@RagavanThurair) 23 de octubre de 2026

Un GB200 NVL72 enseñó el lenguaje del modelo con cientos de veces menos palabras

Dessa se entrenó en un único sistema a escala de bastidor Nvidia GB200 NVL72. El laboratorio indica que el modelo aprendió el lenguaje con «cientos de veces menos palabras» de las que necesita un LLM basado en texto.

El habla complicaba la tarea, según Block. Una palabra hablada ocupa miles de veces más bytes que la misma palabra impresa.

El laboratorio fue fundado por exmiembros de Dessa, una startup de aprendizaje profundo de Toronto. El equipo lleva más de ocho años desarrollando modelos de generación de voz.

Ragavan Thurairatnam dirige el proyecto, y él calificó el lanzamiento como «un momento GPT3 para el habla» en X.

Dessa no está disponible públicamente. Block mantiene una lista de espera y otorga acceso anticipado a un pequeño grupo de investigadores en seguridad de IA para identificar riesgos que el equipo no había previsto.

Tres factores impulsaron a Block a construir el modelo. Dos de ellos son la curiosidad y la mejora de la comprensión entre humanos e IA.

¿Y la tercera razón? La seguridad.

Block imagina a una persona que sufre mucho dolor, pero una IA de voz no lo nota y sigue hablando.

Cryptopolitan informó que en febrero, Block (NYSE: XYZ) despidió al 40 % de su personal.

Block Inc. lanzó Buzz en julio. Es una aplicación de chat para el lugar de trabajo donde humanos y agentes de IA pueden compartir canales.

Las mentes más inteligentes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Únete a ellos.