Le 24 octobre 2026, la société Block de Jack Dorsey a officiellement lancé le tout nouveau modèle vocal Dessa. Ce modèle est entièrement entraîné sur des données vocales humaines, peut être exécuté en local, et présente une prononciation d'un réalisme exceptionnel ainsi qu'une riche capacité de simulation d'émotions comme le rire, les pauses ou les pleurs.
En tant que modèle vocal-vocal en duplex intégral, Dessa permet d'écouter et de converser simultanément ; sa base de connaissances provient directement des données de conversation, sans qu'il soit nécessaire de recourir à de grands modèles de langage pour la récupération des connaissances.
Les modèles vocaux traditionnels utilisent le plus souvent le texte comme entrée de génération et paraissent souvent rigides en raison de l'absence des nuances contextuelles qui se cachent derrière les mots. En comparaison, Dessa intègre une capacité naturelle de capture des émotions, résolvant efficacement le point douloureux des IA vocales existantes qui ont tendance à perdre les informations émotionnelles et les nuances tonales lors des interactions.
En matière d'adaptation matérielle, le modèle peut fonctionner efficacement sur des équipements grand public tels qu'un MacBook M4Max ou sur un rack équipé d'un seul GPU NVIDIA. Pour l'instant, Block n'a pas encore ouvert le modèle au grand public, mais a invité en priorité des chercheurs en sécurité à participer aux tests afin d'évaluer ses performances applicatives dans différents scénarios.
En tant que société de technologie financière spécialisée dans les solutions pour petites entreprises, Block avait déjà tenté, via Square, d'appliquer l'IA vocale au traitement des commandes. Avec l'arrivée de Dessa, capable de fonctionner localement sur le terminal et doté d'une interaction hautement réaliste, il est à espérer que entreprises et utilisateurs finaux bénéficientent, à moindre coût, d'une expérience d'interaction intelligente plus immersive et plus naturelle, ce qui marque également l'accélération de l'évolution de l'IA vocale vers une nouvelle étape d'interaction vocale native.