Block dévoile Dessa, un modèle vocal en duplex intégral entraîné à partir de conversations

Le laboratoire de recherche en IA interne de Block a annoncé Dessa le 23 octobre 2026. L’entreprise le présente comme un modèle vocal de conversion de la parole en parole, entraîné à partir de zéro uniquement sur des conversations humaines. Elle a publié des enregistrements de démonstration en direct, ouvert une liste d’attente publique et accordé un accès anticipé à un petit groupe de chercheurs en sécurité de l’IA.

L’annonce s’accompagnait d’une page de Block consacrée à Dessa et d’une publication sur X de Ragavan Thurairatnam, responsable du laboratoire. Thurairatnam a présenté Dessa comme le premier modèle d’IA capable de tenir une conversation réaliste après avoir été entraîné exclusivement sur la parole. Il a précisé que le modèle pouvait fonctionner sur des GPU grand public et a qualifié sa sortie de « moment GPT-3 pour la parole ». Sur sa page, Block écrit qu’à sa connaissance, Dessa est la première IA au monde capable de tenir une conversation réaliste en direct après avoir été entraînée uniquement à partir de la parole humaine.

Block décrit Dessa comme un véritable modèle de conversion de la parole en parole : du son en entrée, du son en sortie. Il fonctionne en duplex intégral : il écoute et parle en même temps. Selon l’entreprise, il a appris, au contact de conversations réelles, à quel moment prendre la parole et quand intervenir brièvement pour montrer qu’il suit l’échange. Block affirme que le modèle perçoit et exprime naturellement l’émotion, le sarcasme, le rire, le soupir d’exaspération et la voix qui se brise sous le coup de la tristesse ; que son traitement s’effectue plus vite qu’en temps réel, de sorte que ses réponses arrivent sans pause gênante ; et que Dessa fonctionne localement sur un MacBook Pro M4 Max ou un modèle supérieur. L’entreprise le présente comme le modèle vocal en duplex intégral le plus authentique jamais conçu et affirme que lui parler donne l’impression de parler à une personne.

Une approche d’entraînement fondée uniquement sur la parole

Selon la page, Dessa a été entraîné à partir de zéro uniquement sur des sons, sans aucun texte ni modèle préentraîné, et a appris à converser en temps réel en se contentant d’écouter. Block estime qu’il est facile de sous-estimer la difficulté de cette tâche, car les humains apprennent à parler si facilement. Les données vocales ne se répètent jamais : même prononcer deux fois exactement la même phrase produit des données différentes, tandis qu’un texte saisi reste identique, quel que soit son auteur. En termes de données, indique la page, un mot prononcé occupe des milliers de fois plus d’octets que sa forme écrite, et le placement de l’accent tonique en modifie le sens ; une phrase donnée en exemple sur la page prend ainsi un sens différent chaque fois que l’accent tonique porte sur un autre mot.

Block affirme que Dessa a appris le langage avec des centaines de fois moins de mots que les grands modèles de langage, et que l’équipe a trouvé comment l’entraîner sur un seul système NVIDIA GB200 NVL72. La page énumère les questions de recherche encore ouvertes que soulève cette approche : avec quelle efficacité ces modèles apprennent le langage et les faits par rapport aux modèles entraînés sur du texte, avec quelle efficacité ils peuvent apprendre de nouvelles langues, et quels types d’apprentissage en contexte ils peuvent réaliser.

Démonstrations enregistrées

Block a publié des extraits qu’il présente comme des enregistrements en direct de personnes en conversation avec Dessa. L’entreprise affirme que personne ne dirige le modèle pendant ces échanges : c’est Dessa qui choisit quoi dire, quand le dire et comment le dire, y compris en définissant sa propre voix et sa personnalité. Les sous-titres ont été ajoutés après l’enregistrement.

Parmi les moments décrits, Dessa rit au milieu d’une phrase lorsqu’une chose est drôle, plutôt que d’attendre que la personne ait fini de parler ; hausse le ton lorsqu’on lui demande de parler plus fort ; et termine la phrase d’une personne qui ne se souvient plus du titre d’un film. Dans un autre extrait, Dessa pousse un petit cri de surprise à l’annonce inattendue d’un anniversaire, avant de répondre avec, selon la page, une gratitude teintée de larmes. Un enregistrement plus long dans lequel elle donne des conseils de vie est décrit comme empreint d’une véritable empathie. Dans l’un des enregistrements, Dessa converse avec GPT-Live-1, un modèle d’IA tiers. Block précise que les deux voix de cet enregistrement sont générées par l’IA, et que le développeur de GPT-Live-1 n’est pas affilié à Block et n’a ni examiné ni approuvé Dessa.

Sécurité, accès et laboratoire

L’équipe avance trois raisons d’avoir conçu Dessa : la curiosité, une meilleure compréhension entre les humains et l’IA, et la sécurité. La page fait remarquer que les bébés apprennent à parler sans jamais voir un seul mot écrit et indique que l’équipe voulait savoir si un modèle pouvait faire de même. En matière de sécurité, Block soutient que l’IA gagne constamment en puissance et en autonomie, tout en restant incapable de percevoir l’émotion dans la voix d’une personne. L’entreprise donne l’exemple d’une personne souffrant de douleurs intenses alors qu’une IA vocale ne s’en rend pas compte et continue son échange. Elle présente Dessa comme un pas vers la résolution de ce problème et reproche aux IA vocales actuelles de réduire la parole à du texte, perdant ainsi les informations que seul le son transmet.

Block accorde un accès anticipé à un petit groupe de chercheurs en sécurité de l’IA afin qu’ils repèrent les risques que l’équipe n’a pas anticipés. Le formulaire de demande exige un nom et une adresse électronique institutionnelle associée à une université, une entreprise ou un laboratoire ; un lien vers un profil Google Scholar ou un blog peut être ajouté en option. Une liste d’attente publique est ouverte, d’autres enregistrements seront publiés sur le compte X de Thurairatnam, et la page indique que les liens de lancement seront bientôt disponibles.

Dessa est issue de ce que Block décrit comme un très petit laboratoire de recherche en IA au sein de l’entreprise, fondé par d’anciens membres de Dessa, la jeune pousse torontoise spécialisée dans l’apprentissage profond. L’équipe affirme développer des modèles d’apprentissage profond depuis 2012 et des modèles de génération vocale depuis plus de huit ans. Elle relève directement de Jack Dorsey, cofondateur de Block, président du conseil d’administration et dirigeant de Block. La biographie de Thurairatnam sur X indique qu’il a auparavant fondé et vendu Dessa et qu’il a enseigné à l’University of Toronto. À ses côtés, la page cite les chercheurs Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat et Marc Tyndel ; les stagiaires Cara Ji, Jibran Iqbal Shah et Dvir Zagury-Grynbaum ; ainsi que les anciens stagiaires Aryan Sharma et Olivia Yan.