Le 24 octobre 2026, TechCrunch a présenté Dessa, un nouveau modèle vocal issu du laboratoire de recherche de Block : il ne passe pas par le texte, il écoute en sons et répond en sons. Le fondateur de Block, Jack Dorsey, a écrit dans un message du 23 octobre que parler avec lui ressemble à parler avec une personne, avec des émotions, des pauses et un rythme naturel. Le modèle en est encore au stade de préversion de recherche, que les utilisateurs ordinaires ne peuvent pas encore utiliser, mais il ouvre une voie différente de celle des assistants vocaux dominants.
Sans détour par le texte, la moitié des informations du son n'est pas perdue d'abord
La plupart des assistants vocaux transforment d'abord la parole en texte, laissent ensuite un modèle de langage imaginer une réponse, puis synthétisent la parole. Les émotions, le ton, le rire et les pauses, qui n'existent que dans le son, peuvent être jetés dès cette première étape. Dessa est un modèle vocal full-duplex : il écoute pendant qu'il parle, peut interrompre et prendre son tour, entretenir une conversation avec de courtes réponses comme « oui » ou « compris », et entendre les émotions, le sarcasme, le rire, les soupirs et les variations de ton. Dans les démonstrations de conversation publiées par Block, le modèle a vraiment l'air fatigué quand il dit qu'il est fatigué, et il rit quand quelque chose l'amuse. L'émotion n'est pas une étiquette collée après coup, mais une manière de s'exprimer que le modèle a apprise à partir du son.
Entraîné avec la seule voix humaine, et sur une seule machine
Selon Block, Dessa a été entraîné à partir de zéro uniquement sur des enregistrements de conversations humaines, sans texte ni modèle préentraîné. Il aurait appris la langue à partir de « centaines de fois moins de mots », même si les modèles de langage doivent aussi apprendre le code et d'autres choses, de sorte que les nombres de mots ne peuvent pas être comparés directement. L'entraînement a utilisé un seul système NVIDIA GB200 NVL72, l'inférence est plus rapide que le temps réel, et le modèle peut fonctionner localement sur un MacBook Pro équipé d'une puce M4 Max ou supérieure. Autrement dit, la conversation vocale ne dépend pas forcément d'un modèle dans le cloud et d'un pipeline textuel : un modèle vocal plus petit et spécialisé peut aussi sonner de façon étonnamment humaine.
Sonner humain est précisément le premier obstacle à franchir
Block n'a publié ni la taille du modèle, ni celle du jeu de données, ni les chiffres de latence, ni les résultats de référence formels, et n'a donné aucune date de sortie publique. Les premiers tests ne sont actuellement ouverts qu'à un petit groupe de chercheurs en sécurité de l'IA, avec en plus une liste d'attente publique. TechCrunch note que Block cherche très probablement d'abord à cerner les risques : un assistant vocal qui sonne trop humain pourrait tout à fait servir à se faire passer pour une vraie personne à l'autre bout d'un appel téléphonique. Plus la voix est naturelle, plus il devient important de vérifier qui parle, d'étiqueter l'identité de l'IA et de garder une trace vérifiable ; sinon, une réussite technique dans le « son humain » peut facilement devenir un problème de confiance. Pour les utilisateurs ordinaires, Dessa vaut pour l'instant davantage comme direction technique à suivre que comme produit à télécharger immédiatement : il montre que la voix n'a pas besoin d'un pipeline textuel, mais avant d'entrer dans les produits du quotidien, il doit encore répondre à des questions de sécurité, d'étiquetage et de vérifiabilité.
