La empresa Block, perteneciente a Jack Dorsey, lanzó oficialmente el 24 de octubre de 2026 el nuevo modelo de voz Dessa. Este modelo está entrenado completamente con datos de voz humana, admite su ejecución en implementaciones locales y presenta una pronunciación extraordinariamente realista, además de una rica capacidad de simulación emocional que incluye risas, pausas y llantos.
Como modelo de voz a voz dúplex completo, Dessa puede escuchar y conversar al mismo tiempo; su base de conocimientos proviene directamente de los datos de conversación, sin necesidad de depender adicionalmente de modelos de lenguaje de gran escala para la recuperación de información.
Los modelos de voz tradicionales suelen utilizar el texto como entrada de generación, y a menudo resultan rígidos por la falta del contexto sutil que hay detrás de las palabras. En comparación, Dessa incorpora de forma inherente una capacidad natural de captura de las emociones, resolviendo eficazmente el problema de los actuales modelos de inteligencia artificial de voz, que tienden a perder información emocional y matices de entonación durante la interacción.
En cuanto a la adaptación de hardware, el modelo puede ejecutarse de manera eficiente en dispositivos de consumo como un MacBook M4Max o en un rack con una sola GPU de NVIDIA. Por ahora, Block aún no ha abierto el modelo al público en general, sino que invitó en primer lugar a investigadores de seguridad a participar en las pruebas, con el fin de evaluar su rendimiento en diferentes escenarios.
Como empresa de tecnología financiera especializada en soluciones para pequeñas empresas, Block ya había intentado aplicar la IA de voz al procesamiento de pedidos a través de Square. Con la llegada de Dessa, que puede ejecutarse localmente en dispositivos de extremo a extremo y posee una capacidad de interacción altamente realista, se espera ofrecer a las empresas y a los usuarios finales una experiencia de interacción inteligente más inmersiva y natural a un costo menor, lo que también marca que la IA de voz avanza aceleradamente hacia una nueva etapa de interacción de voz nativa.