Block Memperkenalkan Dessa, Model Ucapan Dupleks Penuh yang Dilatih dengan Percakapan

Laboratorium riset AI internal Block mengumumkan Dessa pada 23 Oktober 2026, sebuah model ucapan-ke-ucapan dupleks penuh yang menurut perusahaan dilatih dari awal hanya menggunakan percakapan manusia. Pengumuman itu disertai rekaman demo langsung, daftar tunggu yang terbuka untuk umum, dan akses awal bagi sekelompok kecil peneliti keselamatan AI.

Pengumuman tersebut menyertakan halaman Dessa milik Block dan unggahan di X oleh Ragavan Thurairatnam, pemimpin laboratorium itu. Thurairatnam menyebut Dessa sebagai model AI pertama yang mampu melakukan percakapan realistis setelah dilatih sepenuhnya dengan ucapan, mengatakan bahwa model ini dapat dijalankan pada GPU konsumen, dan menyebut peluncurannya sebagai “momen GPT3 untuk ucapan.” Di halamannya, Block menulis bahwa sejauh yang diketahui perusahaan, Dessa adalah AI pertama di dunia yang mampu melakukan percakapan langsung yang realistis setelah dilatih hanya menggunakan ucapan manusia.

Block menggambarkan Dessa sebagai model ucapan-ke-ucapan yang sesungguhnya: masukan berupa audio, keluaran berupa audio. Model ini bekerja secara dupleks penuh, sehingga dapat mendengarkan dan berbicara secara bersamaan. Menurut perusahaan, Dessa belajar dari percakapan nyata kapan harus menyela dan kapan harus memberi tanggapan singkat sebagai tanda bahwa ia menyimak. Block mengatakan model ini secara alami mampu menangkap dan menyampaikan emosi, sarkasme, tawa, embusan napas kesal, serta suara yang bergetar karena sedih; proses inferensinya berlangsung lebih cepat daripada waktu nyata sehingga jawabannya muncul tanpa jeda canggung; dan Dessa dapat dijalankan secara lokal pada MacBook Pro M4 Max atau perangkat yang lebih baik. Perusahaan menyebutnya model ucapan dupleks penuh paling autentik yang pernah dibuat dan mengatakan bahwa berbicara dengannya terasa seperti berbicara dengan seseorang.

Pendekatan Pelatihan yang Hanya Menggunakan Ucapan

Menurut halaman tersebut, Dessa dilatih dari awal hanya dengan suara, tanpa teks atau model pralatih, dan belajar bercakap-cakap secara langsung hanya dengan mendengarkan. Block berpendapat bahwa kesulitan tugas ini mudah diremehkan karena manusia belajar berbicara dengan begitu mudah. Data ucapan tidak pernah berulang: bahkan jika kalimat yang sama diucapkan dua kali dengan cara yang persis sama, datanya tetap berbeda, sedangkan teks yang diketik selalu identik, siapa pun yang mengetiknya. Dalam hal data, menurut halaman tersebut, satu kata yang diucapkan menempati byte ribuan kali lebih banyak daripada bentuk tertulisnya, dan penempatan tekanan dapat mengubah makna; salah satu contoh kalimat di halaman itu memiliki makna berbeda setiap kali tekanan diberikan pada kata yang berbeda.

Block mengatakan bahwa Dessa mempelajari bahasa dengan jumlah kata ratusan kali lebih sedikit daripada model bahasa besar, dan tim tersebut menemukan cara untuk melatihnya menggunakan satu sistem NVIDIA GB200 NVL72. Halaman itu mencantumkan pertanyaan riset terbuka yang muncul dari pendekatan ini: seberapa efisien model semacam itu mempelajari bahasa dan fakta dibandingkan dengan model berbasis teks, seberapa efisien model tersebut dapat mempelajari bahasa baru, serta jenis pembelajaran dalam konteks apa yang dapat dilakukannya.

Demonstrasi Rekaman

Block menerbitkan klip yang disebutnya sebagai rekaman langsung percakapan antara orang-orang dan Dessa. Perusahaan mengatakan bahwa tidak ada yang mengarahkan model selama percakapan tersebut dan bahwa Dessa sendiri memilih apa yang akan dikatakan, kapan mengatakannya, dan bagaimana mengatakannya, termasuk suara dan kepribadiannya sendiri; subtitel ditambahkan setelah perekaman.

Momen-momen yang diuraikan mencakup Dessa tertawa di tengah kalimat ketika ada sesuatu yang lucu, bukan setelah lawan bicaranya selesai berbicara; berbicara lebih keras saat diminta; dan melanjutkan kalimat seseorang ketika orang tersebut lupa judul film. Dalam klip lain, Dessa terkesiap pelan saat mendengar pengumuman kejutan tentang hari jadi, lalu menjawab dengan rasa syukur yang, menurut halaman itu, terdengar mengharukan. Rekaman yang lebih panjang berisi nasihat hidup digambarkan terdengar sangat berempati. Dalam salah satu rekaman, Dessa bercakap-cakap dengan GPT-Live-1, model AI pihak ketiga; Block mencatat bahwa kedua suara dalam rekaman tersebut dihasilkan oleh AI dan bahwa pengembang GPT-Live-1 tidak berafiliasi dengan Block serta belum meninjau atau mendukung Dessa.

Keselamatan, Akses, dan Laboratorium

Tim tersebut menyebutkan tiga alasan mengembangkan Dessa: rasa ingin tahu, pemahaman yang lebih baik antara manusia dan AI, serta keselamatan. Halaman itu mencatat bahwa bayi belajar berbicara tanpa pernah melihat satu kata pun yang tertulis, dan mengatakan bahwa tim ingin mengetahui apakah model dapat melakukan hal yang sama. Mengenai keselamatan, Block berpendapat bahwa AI terus bertambah kuat dan mandiri, tetapi tetap tidak mampu mengenali emosi dalam suara pembicara. Sebagai contoh, seseorang mungkin sedang kesakitan parah, sementara AI suara tidak menyadarinya dan terus berbicara. Perusahaan menggambarkan Dessa sebagai langkah untuk mengatasi masalah tersebut, dan mengkritik AI suara saat ini karena mengubah ucapan menjadi teks sehingga kehilangan informasi yang hanya disampaikan oleh suara.

Block memberikan akses awal kepada sekelompok kecil peneliti keselamatan AI agar mereka dapat menemukan risiko yang belum diantisipasi oleh tim. Formulir pengajuannya meminta nama dan alamat email institusional dari universitas, perusahaan, atau laboratorium, serta menyediakan kolom opsional untuk tautan Google Scholar atau blog. Daftar tunggu untuk umum telah dibuka, rekaman tambahan akan dibagikan melalui akun X Thurairatnam, dan halaman tersebut menyatakan bahwa tautan peluncuran akan segera tersedia.

Dessa berasal dari laboratorium riset AI yang sangat kecil di dalam perusahaan, sebagaimana dijelaskan Block. Laboratorium ini didirikan oleh mantan anggota Dessa, perusahaan rintisan deep learning asal Toronto. Tim tersebut mengatakan telah membangun model deep learning sejak 2012 dan model ucapan generatif selama lebih dari delapan tahun. Tim itu melapor langsung kepada Jack Dorsey, salah satu pendiri Block, Ketua, dan pimpinan Block. Bio Thurairatnam di X menyebutkan bahwa ia sebelumnya mendirikan dan menjual Dessa serta mengajar di University of Toronto. Selain dirinya, halaman tersebut mencantumkan para peneliti Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat, dan Marc Tyndel; para pemagang Cara Ji, Jibran Iqbal Shah, dan Dvir Zagury-Grynbaum; serta mantan pemagang Aryan Sharma dan Olivia Yan.