Block lanserer Dessa, en full-dupleks talemodell trent på samtaler

Blocks interne AI-forskningslaboratorium kunngjorde Dessa 23. oktober 2026. Det er en full-dupleks tale-til-tale-modell som selskapet sier er trent fra grunnen av utelukkende på menneskelige samtaler. Samtidig publiserte selskapet opptak fra direktedemonstrasjoner, åpnet en offentlig venteliste og ga en liten gruppe AI-sikkerhetsforskere tidlig tilgang.

Kunngjøringen ble fulgt av Blocks Dessa-side og et innlegg på X fra Ragavan Thurairatnam, som leder laboratoriet. Thurairatnam beskrev Dessa som den første AI-modellen som kan føre en realistisk samtale etter å ha blitt trent utelukkende på tale, sa at den kan kjøres på forbruker-GPU-er og kalte lanseringen «et GPT3-øyeblikk for tale». På nettsiden skriver Block at Dessa, så langt selskapet vet, er verdens første AI som kan føre en realistisk samtale i sanntid etter å ha blitt trent bare på menneskelig tale.

Block beskriver Dessa som en ekte tale-til-tale-modell: lyd inn, lyd ut. Den er full-dupleks, så den lytter og snakker samtidig, og selskapet sier at den har lært av ekte samtaler når den skal bryte inn, og når den skal komme med små bekreftende signaler for å vise at den følger med. Block sier at modellen naturlig oppfatter og uttrykker følelser, sarkasme og latter, et frustrert sukk og en stemme som brister av sorg. Slutningene gjøres raskere enn sanntid, slik at svarene kommer uten en pinlig pause, og Dessa kjører lokalt på en MacBook Pro M4 Max eller bedre. Selskapet kaller den den mest autentiske full-dupleks talemodellen som noen gang er laget, og sier at det føles som å snakke med et menneske.

En tilnærming til trening som bare bruker tale

Ifølge nettsiden ble Dessa trent fra grunnen av bare på lyd, uten tekst eller forhåndstrente modeller, og lærte å føre samtaler i sanntid utelukkende ved å lytte. Block mener det er lett å undervurdere hvor vanskelig denne oppgaven er, fordi mennesker lærer å snakke så enkelt. Talemateriale gjentar seg aldri: Selv når man sier den samme setningen to ganger på nøyaktig samme måte, blir resultatet forskjellige data, mens skrevet tekst er identisk uansett hvem som skriver den. Målt i datamengde tar ett muntlig ord, ifølge nettsiden, opp tusenvis av ganger flere byte enn den skriftlige formen, og hvor trykket ligger, endrer betydningen. Som eksempel viser nettsiden en setning som får en annen betydning hver gang trykket legges på et annet ord.

Block sier at Dessa lærte språk med hundrevis av ganger færre ord enn store språkmodeller, og at teamet fant ut hvordan modellen kunne trenes på ett enkelt NVIDIA GB200 NVL72-system. Nettsiden lister opp åpne forskningsspørsmål som denne tilnærmingen reiser: Hvor effektivt slike modeller lærer språk og fakta sammenlignet med tekstbaserte modeller, hvor effektivt de kan lære nye språk, og hva slags læring i kontekst de kan utføre.

Innspilte demonstrasjoner

Block publiserte klipp som selskapet beskriver som direkteopptak av mennesker som snakker med Dessa. Selskapet sier at ingen styrer modellen under samtalene, og at Dessa selv velger hva den skal si, når den skal si det og hvordan den skal si det, inkludert hvilken stemme og personlighet den skal ha. Undertekstene ble lagt til i etterkant.

Blant situasjonene som beskrives, er at Dessa ler midt i en setning når noe er morsomt, i stedet for å vente til den andre er ferdig med å snakke; snakker høyere når den blir bedt om å heve stemmen; og fullfører en persons setning når vedkommende ikke kommer på tittelen på en film. I et annet klipp gisper Dessa lavt når den får høre en overraskende kunngjøring om et jubileum, før den svarer med det nettsiden beskriver som tårevåt takknemlighet. Et lengre opptak med livsråd beskrives som genuint empatisk. I ett opptak snakker Dessa med GPT-Live-1, en AI-modell fra en tredjepart. Block påpeker at begge stemmene i opptaket er AI-genererte, og at utvikleren av GPT-Live-1 ikke er tilknyttet Block og ikke har vurdert eller anbefalt Dessa.

Sikkerhet, tilgang og laboratoriet

Teamet oppgir tre grunner til å utvikle Dessa: nysgjerrighet, bedre forståelse mellom mennesker og AI, og sikkerhet. Nettsiden påpeker at babyer lærer å snakke uten noen gang å se et skrevet ord, og sier at teamet ønsket å undersøke om en modell kunne gjøre det samme. Når det gjelder sikkerhet, mener Block at AI stadig blir kraftigere og mer selvstendig, samtidig som den fortsatt ikke klarer å oppfatte følelsene i stemmen til den som snakker. Selskapet viser til en person som har sterke smerter, mens en stemmebasert AI ikke aner det og bare fortsetter. Block beskriver Dessa som et skritt mot å løse dette problemet, og kritiserer dagens stemmebaserte AI for å gjøre tale om til tekst og miste informasjonen som bare lyden formidler.

Block gir en liten gruppe AI-sikkerhetsforskere tidlig tilgang, slik at de kan avdekke risikoer teamet ikke har forutsett. I forespørselsskjemaet bes det om navn og en institusjonell e-postadresse fra et universitet, en bedrift eller et laboratorium, samt en valgfri lenke til Google Scholar eller en blogg. En offentlig venteliste er åpen, flere opptak skal deles på Thurairatnams X-konto, og nettsiden opplyser at lenker til lanseringen kommer snart.

Dessa kommer fra det Block beskriver som et svært lite AI-forskningslaboratorium i selskapet, grunnlagt av tidligere medlemmer av Dessa, den Toronto-baserte oppstartsbedriften innen dyp læring. Teamet sier at det har utviklet modeller for dyp læring siden 2012 og generative talemodeller i mer enn åtte år, og at det rapporterer direkte til Jack Dorsey, Blocks medgrunnlegger, styreleder og leder. I X-biografien sin opplyser Thurairatnam at han tidligere grunnla og solgte Dessa, og foreleste ved University of Toronto. Ved siden av ham står forskerne Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat og Marc Tyndel oppført på siden; praktikantene Cara Ji, Jibran Iqbal Shah og Dvir Zagury-Grynbaum; og tidligere praktikanter Aryan Sharma og Olivia Yan.