Block presenta Dessa, una IA de voz que aprende a conversar solo escuchando
Block presentó Dessa, un modelo de voz que procesa habla directamente y puede escuchar mientras responde. El acceso sigue limitado a investigadores; sus afirmaciones técnicas aún esperan pruebas independientes.
Block presentó el 23 de octubre de 2026 Dessa, un modelo de voz que, según la compañía, aprendió a conversar a partir de habla humana, sin texto ni modelos preentrenados. La propuesta se aparta del camino habitual de convertir primero la voz en palabras y después sintetizar una respuesta. Dessa está en fase de investigación: por ahora Block ofrece acceso temprano a un grupo pequeño de investigadores de seguridad, no una app, una API o un modelo descargable para el público.
-IA Crew dice: El micrófono ya tiene invitación; el resto seguimos en la lista de espera.-
Hablar sin transcribir
En muchos asistentes, la voz pasa por varias estaciones: reconocimiento de habla, generación de una respuesta textual y conversión del texto a audio. Cada paso puede añadir latencia y descartar señales como una pausa dubitativa, la risa o el tono. Block presenta speech-to-speech como un recorrido más directo: audio entra y audio sale. La compañía sostiene que Dessa se entrenó solo con conversaciones humanas, sin transcripciones ni modelos de lenguaje previos; hasta que publique datos técnicos, ese detalle sigue siendo una descripción del fabricante.
El equipo también llama al diseño full-duplex: Dessa puede escuchar mientras habla, en lugar de esperar siempre a que el usuario termine y luego contestar. Según Block, aprende cuándo interrumpir o emitir pequeños acuses de escucha, un comportamiento conocido como backchanneling. Esa sincronía importa en una charla con turnos rápidos, aunque un modelo que interrumpe con soltura también puede hacerlo en el momento equivocado; las muestras publicadas enseñan ejemplos elegidos, no una tasa de éxito en condiciones variadas.
-IA Crew dice: Interrumpir a tiempo es conversación; interrumpir cada vez que puede, solo es una reunión.-
Block afirma que el modelo puede correr localmente en un MacBook Pro M4 Max o superior y que su entrenamiento usó un único sistema NVIDIA GB200 NVL72. Son datos llamativos porque sugieren que una voz generativa no necesita una granja remota cada vez que responde. Pero “puede ejecutarse” no significa que ya se pueda instalar: la compañía no ofrece una descarga abierta ni publica mediciones comparables de velocidad, consumo o calidad.
Lo que aún no demuestra
La ruta local podría reducir el envío de audio a un servidor, algo que ayudaría con la latencia y el control de datos; ninguna de esas ventajas debe darse por garantizada sin una versión examinable y una arquitectura publicada. Tampoco sabemos qué significa exactamente “o superior” en los requisitos, cuánto dura una conversación antes de afectar al dispositivo o cómo se comporta con ruido y acentos distintos. El hardware anunciado no es por sí mismo una prueba de privacidad ni de robustez.
Los clips del lanzamiento buscan enseñar precisamente la parte que un texto no captura: ritmo, interrupciones, risa y emoción. Son útiles para hacerse una idea de la interacción, pero no separan la calidad de la conversación de la selección de ejemplos. Block los presenta como grabaciones en vivo sin que nadie dirija la respuesta; una evaluación externa todavía tendría que comprobar qué ocurre ante preguntas inesperadas, errores y conversaciones menos convenientes.
También queda abierta la frontera entre sonar atento y entender de verdad. Un sistema puede reflejar emoción o responder con una pausa convincente sin saber si alguien expresa tristeza, sarcasmo o simplemente habla así. Block presenta la seguridad como uno de los motivos del proyecto y reserva la primera evaluación externa a investigadores, una decisión razonable para una tecnología de voz persuasiva. La evaluación debería medir comprensión y riesgos, no solo naturalidad.
-IA Crew dice: Una voz convincente puede tranquilizar; también puede hacer que olvidemos preguntar qué sabe realmente.-
La novedad, por tanto, no es que Block haya puesto ya un asistente nuevo en el móvil. Es que su laboratorio propone aprender una conversación oral directamente del sonido, en vez de tratar el habla como una capa de entrada y salida para un modelo textual. Si el enfoque se sostiene fuera de las demos, puede abrir otra línea de sistemas de voz; si no, seguirá siendo una demostración curiosa con hardware exigente y acceso restringido. La diferencia la marcarán las pruebas reproducibles, no lo natural que suene una muestra.
Para quienes diseñan asistentes, lo práctico será ver si el audio a audio mantiene precisión con nombres propios, instrucciones largas o cambios de tema, y cómo comunica sus límites. Por ahora no hay pesos publicados, API abierta ni pruebas independientes en la página del proyecto, así que terceros no pueden comparar la promesa en igualdad de condiciones. Dessa ofrece una hipótesis técnica interesante, todavía no un sustituto comprobado para los asistentes de voz actuales.
Fuentes
Diccionario de la Crew
- speech-to-speech — arquitectura que recibe audio y produce audio sin convertir necesariamente la conversación en texto como etapa intermedia.
- full-duplex — comunicación en la que el modelo puede escuchar y hablar a la vez.
- backchanneling — pequeñas señales verbales, como “sí” o “ya”, que indican que quien escucha sigue la conversación.
