Block, la compañía de pagos que conduce Jack Dorsey, anunció Dessa, un modelo de inteligencia artificial de voz que aprendió a conversar sin haber procesado nunca un texto. El entrenamiento se hizo desde cero con grabaciones de diálogos entre personas, según la presentación oficial del producto. La propuesta es un sistema de habla a habla: entra audio y sale audio, sin pasar por la escritura en ningún tramo.

La empresa lo describe como el primer modelo capaz de mantener una charla realista habiendo aprendido únicamente al escuchar sonido humano. La diferencia con los asistentes habituales es de fondo: no hay transcripción de por medio ni un modelo de lenguaje previo que sostenga la conversación.

Cómo conversa

Dessa opera en modo full-duplex, es decir que escucha y habla a la vez, como en una llamada telefónica. No espera turnos rígidos como un walkie-talkie. Puede reaccionar si el interlocutor lo interrumpe, duda o se ríe en medio de una oración.

Según Block, el sistema corre de manera local en una MacBook Pro con chip M4 Max o superior, sin necesidad de servidores externos para procesar el diálogo. La empresa sostiene además que responde más rápido que el ritmo de una conversación real, lo que evita pausas incómodas.

El equipo detrás del proyecto

El laboratorio que desarrolló Dessa está a cargo de Ragavan Thurairatnam e integra a varios exmiembros de la startup canadiense Dessa, fundada en Toronto. Esa firma se hizo conocida en 2019 por recrear con inteligencia artificial la voz del conductor Joe Rogan. Block compró la compañía en 2020.

En la presentación, el equipo explicó que eligió entrenar el modelo sin texto para comprobar si una máquina podía aprender a hablar como un bebé: escuchando, sin ver jamás una palabra escrita.

"Es posible. Solo que es muy difícil", señaló el equipo en la presentación del proyecto.

Aciertos y torpezas en los audios de muestra

Block publicó grabaciones de personas charlando con Dessa sin guion previo. En una, el modelo llama "Ronaldo" a su interlocutor por motivos que la empresa no explicó, un fallo que generó comentarios en redes. En otro audio, la conversación deriva de las películas de Christopher Nolan hacia las de Superman dirigidas por Bryan Singer, sin que nadie se lo pidiera. También hay un clip en el que una persona cuenta que la sorprendieron con un viaje a París por un aniversario y el modelo responde con una suerte de gratitud entrecortada.

El equipo sumó una prueba con GPT-Live-1, el modelo de voz de OpenAI, como contraparte. Block aclaró que esa interacción no implica vínculo alguno con OpenAI ni que esa empresa haya revisado o avalado a Dessa.

Por qué lo hicieron y quién podrá usarlo

El equipo enumeró tres motivos: la curiosidad por saber si una máquina puede hablar sin texto, la búsqueda de una mejor comprensión entre personas y sistemas de inteligencia artificial, y razones de seguridad ligadas a cómo los asistentes de voz interpretan las emociones.

"Imaginen estar atravesando un dolor grave mientras una IA de voz no se da cuenta y sigue hablando como si nada. Ese es el problema de seguridad. Dessa es un paso para solucionarlo", escribió el equipo.

Dessa no está abierto al público. Block anticipó que dará acceso temprano a "un grupo reducido de investigadores de seguridad en inteligencia artificial", con el fin de estudiar los riesgos antes de una eventual expansión. La cautela apunta a un problema propio de la voz: un sistema que suena humano, capta emociones y reacciona a interrupciones abre interrogantes sobre suplantación de identidad y confianza.