Block, la società di pagamenti fondata da Jack Dorsey, ha svelato Dessa, un modello vocale sviluppato dal proprio laboratorio di ricerca e addestrato esclusivamente su conversazioni umane registrate. L'azienda sottolinea che non esiste alcun testo alla base né un modello preaddestrato: Dessa avrebbe imparato a sostenere un dialogo in tempo reale semplicemente ascoltando. Un approccio radicale che ribalta la logica dei tradizionali sistemi text-to-speech e speech-to-text.
Full-duplex: ascolta e parla insieme
La caratteristica distintiva è l'architettura full-duplex: il modello ascolta e parla contemporaneamente, lavorando direttamente da audio ad audio. Niente trascrizioni intermedie, che negli assistenti vocali classici cancellano tono, pause ed emozioni. Nelle registrazioni diffuse da Block, Dessa ride a metà frase, interpone brevi segnali di assenso e alza la voce quando l'interlocutore glielo chiede. In una clip conversa perfino con GPT-Live-1, il modello vocale di OpenAI.
L'addestramento ha richiesto risorse sorprendentemente contenute: Block dichiara un solo rack Nvidia GB200 NVL72. Dessa avrebbe appreso la lingua da un numero di parole centinaia di volte inferiore rispetto a un grande modello linguistico. L'inferenza è più veloce del tempo reale e gira in locale su un MacBook Pro con M4 Max o superiore, anche se non sono stati resi noti ordini di grandezza sulla RAM necessaria.
Sicurezza e limiti dell'umanizzazione
Block giustifica il progetto anche con argomenti di sicurezza: un assistente sordo al disagio nella voce di chi parla rischia di ignorarlo. Il gruppo di ricerca è composto da ex membri della startup di Toronto da cui il modello prende il nome e risponde direttamente a Dorsey. Non sono stati indicati tempi per una disponibilità pubblica: per ora esiste solo un accesso anticipato riservato a un piccolo gruppo di ricercatori di sicurezza IA.
Resta aperto il rovescio della medaglia. Modelli vocali troppo umanizzati, se impiegati in compiti di utilità quotidiana — come accendere una luce in casa — rischiano di rallentare il risultato proprio a causa di pause, sospiri e risatine. Una riflessione che accompagnerà il dibattito sull'uso di voci sintetiche sempre più simili a quelle umane.
