A Block revelou o Dessa, um modelo de IA de fala para fala que, segundo a empresa, foi treinado do zero com base em conversas humanas e projetado para evitar uma falha conhecida dos assistentes de voz: reduzir a voz de uma pessoa a texto simples antes de responder.

O argumento da empresa é que esse processo elimina as pausas, a cadência e a emoção que dão significado à fala. “As IAs mais poderosas do mundo não conseguem ouvir como você se sente”, disse a Block, chamando essa limitação de uma experiência inferior e “potencialmente perigosa”.¹ Em vez de depender de etiquetas de emoção baseadas em texto usadas por muitos sistemas de geração de fala, a Block afirma que o Dessa tem comportamento expressivo incorporado ao seu modelo.

As primeiras demonstrações sintetizam a proposta. O Dessa ri, hesita e soa cansado quando diz estar exausto do trabalho; em outra interação, parece estar prestes a chorar ao descrever alguém fazendo com que se sentisse confortável. A Block afirma que o sistema full-duplex pode ouvir e falar simultaneamente, e que ele funciona localmente em uma máquina de consumo, como um MacBook M4 Max ou superior.¹

Esse design local pode ser importante para o negócio mais amplo da Block, no qual a Square já usa IA de voz para pedidos. Mas a empresa ainda não está abrindo o Dessa ao público. Em vez disso, pediu a pesquisadores de segurança que testassem um modelo cuja fluência emocional poderia torná-lo mais persuasivo — e, potencialmente, mais capaz de enganar pessoas.¹

Uma segunda análise das demonstrações ressalta os dois lados dessa proposta. As interações são “em sua maioria naturais”, mas uma conversa começa com o Dessa identificando por engano seu interlocutor humano como “Ronaldo”; outra toma um rumo inesperado durante uma discussão sobre filmes de Christopher Nolan.² Em um jogo de adivinhação de voz e em uma conversa com o GPT-Live-1 da OpenAI, o Dessa pode parecer mais natural, mas sua estranheza ocasional continua sendo parte da história.²

Para a Block, o modelo é um experimento em curiosidade, compreensão e segurança. Para os ouvintes, é também um lembrete de que fazer a IA soar mais humana não torna automaticamente a interação mais confortável.