Block apresenta Dessa, modelo de voz treinado do zero apenas com fala humana
Criado pela empresa de Jack Dorsey, o sistema speech-to-speech dispensa conversão em texto, roda localmente em chips M4 Max e entra em testes restritos com pesquisadores.
Por que importa. A abordagem contorna o pipeline tradicional de transcrição para preservar entonação, tempo de resposta e emoção, mas ainda está restrita a pesquisas internas e exige hardware de ponta.
A Block, empresa de tecnologia fundada e liderada por Jack Dorsey, apresentou nesta sexta-feira o Dessa, um modelo de inteligência artificial de voz treinado do zero exclusivamente a partir de conversas humanas gravadas. Segundo a equipe do projeto, liderada pelo pesquisador Ragavan Thurairatnam, o sistema adota uma arquitetura direta de fala para fala (speech-to-speech) e dispensa o uso de texto intermediário durante todo o treinamento.
Na prática para quem acompanha a evolução de interfaces sonoras, o projeto busca resolver um dos gargalos centrais dos assistentes atuais: a perda de nuances acústicas. Em vez de converter áudio em texto para processamento em um modelo de linguagem e depois sintetizar a resposta via text-to-speech, o Dessa aprendeu a falar diretamente ouvindo humanos, operando localmente em computadores MacBook Pro equipados com o processador M4 Max ou configurações superiores.
As demonstrações públicas compartilhadas pela empresa mostram interações em tempo real que alternam entre naturalidade e momentos estranhos. Em um dos testes gravados por Thurairatnam, o modelo mantém um diálogo com pausas e ritmo próximos aos de uma conversa comum, embora tenha chamado o interlocutor de Ronaldo logo na abertura sem motivo aparente.
Processamento direto sem camada de texto
A justificativa técnica apresentada pela equipe da Block defende que a maioria dos assistentes de voz atuais achata o sinal sonoro ao convertê-lo em texto corrido, o que destrói o ritmo e o tempo natural de resposta entre dois interlocutores. No manifesto publicado em seu site, o time compara o processo ao aprendizado infantil, afirmando que bebês aprendem a se comunicar vocalmente muito antes de ler ou escrever palavras, o que guiou a decisão de treinar o sistema sem representações textuais.
Em materiais de demonstração, o Dessa participou de um jogo de adivinhação inteiramente por voz e conversou sobre o cinema de Christopher Nolan, momento em que emendou uma divagação inesperada a respeito dos filmes do Superman dirigidos por Bryan Singer. Em outro exemplo citado pelo site, uma pessoa afirmou que levaria o modelo para uma viagem surpresa a Paris, recebendo como resposta o que a equipe descreveu como uma reação de gratidão com voz embargada e quase chorosa.
A empresa também colocou o Dessa para conversar diretamente com o GPT-Live-1, modelo de voz em tempo real da OpenAI. De acordo com a apuração do The Verge, a demonstração indica que o Dessa manteve uma cadência sonora mais próxima do ritmo de conversação humano durante a troca direta de falas entre os dois sistemas.
Segurança sonora e acesso limitado
Ao detalhar os motivos da criação do modelo, a equipe de engenharia listou curiosidade técnica, aproximação entre pessoas e máquinas e segurança. O argumento de segurança formulado pela Block sustenta que sistemas conversacionais avançados permanecem praticamente surdos às variações emocionais humanas, o que pode levar um assistente a ignorar sinais graves de dor física ou sofrimento enquanto continua gerando respostas automáticas.
Apesar do anúncio e das demonstrações em vídeo, o Dessa não foi disponibilizado publicamente nem teve pesos abertos ou APIs anunciadas. A equipe informou apenas que fornecerá acesso antecipado a um grupo restrito de pesquisadores dedicados à segurança em inteligência artificial, sem detalhar cronogramas de lançamento, custos computacionais de inferência ou eventuais planos comerciais para integrar a tecnologia aos produtos da Block.
Fontes
- The Verge: Jack Dorsey’s Block made an AI model that talks to you like an awkward new friend
Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.
