Block, la empresa detrás de Square y Cash App, ha presentado un modelo de IA de voz llamado Dessa.
Block afirma que Dessa es el primer modelo de IA entrenado completamente con voz humana, sin ningún dato de texto, construido desde cero. En lugar de convertir primero el audio en texto, Dessa procesa el habla directamente como audio. Esto le permite captar emociones, sarcasmo, risas y pausas en tiempo real.
El modelo admite comunicación full-duplex, por lo que puede escuchar y hablar al mismo tiempo. Funciona localmente en una MacBook Pro M4 Max y fue entrenado en un solo NVIDIA GB200 NVL72. Block afirma que construyó Dessa por curiosidad, por el deseo de una mejor comunicación humano-IA y por preocupaciones de seguridad, ya que la IA de voz actual ignora las señales emocionales. Dessa aún no está disponible públicamente. El equipo primero busca investigadores de seguridad de IA que prueben el modelo en busca de riesgos inesperados. Cualquier persona interesada puede registrarse a través de un formulario.
Los intentos anteriores de IA de voz emocional no han cuajado
Varios equipos han intentado construir IA de voz que suene emocionalmente rica. En marzo de 2024, la startup Hume AI lanzó EVI (Empathic Voice Interface), una IA de voz con "inteligencia emocional". Kyutai siguió en septiembre de 2024 con Moshi. El proyecto Open Empathic de LAION trabaja desde finales de 2023 en el entrenamiento de modelos empáticos de síntesis de voz utilizando un conjunto de datos de audio de código abierto. OpenAI renovó el "Advanced Voice Mode" de ChatGPT en junio de 2025 y lo ha seguido perfeccionando desde entonces, añadiendo mejor entonación, pausas y expresiones más realistas de empatía y sarcasmo.Ad
Pero sonar emocional no es lo mismo que ser emocional o inteligente, incluso si crea esa impresión. Para una IA de voz avanzada, capacidades como razonar mientras responde importan más que cuán natural suene la voz, porque realmente afectan la calidad de la respuesta.
Fuente: Block.xyz