Block a publié le 23 octobre les premières démonstrations de Dessa, un modèle vocal entraîné uniquement sur des conversations humaines. Ni transcription, ni modèle de langage en coulisse : Block parie que le texte efface l'essentiel.
Dessa, un modèle vocal entraîné sans passer par le texte
Le laboratoire de recherche interne de Block, la société de Jack Dorsey qui détient Square et Cash App, a présenté Dessa le 23 octobre. L'argument tient en une phrase : le modèle a été entraîné de zéro, sur des enregistrements de conversations humaines, sans transcription ni modèle de langage préexistant.
Les assistants vocaux que vous connaissez travaillent en trois temps. Ils transcrivent votre voix en texte, confient ce texte à un grand modèle de langage, puis reconvertissent la réponse en parole. Block soutient que ce détour efface justement ce que la voix transporte : l'hésitation avant une réponse, le débit qui ralentit, le rire qui désamorce une phrase.
Sur le principe, l'idée se tient. Une transcription normalise tout. Elle écrit « je vais bien » de la même façon selon que la personne va bien ou qu'elle serre les dents. Un modèle nourri à l'audio brut garde ces écarts, à condition d'avoir assez de matière pour apprendre à quoi ils servent.
Block ne dit rien, en revanche, du volume de conversations utilisé, des langues couvertes, ni de la façon dont le modèle répond à une question factuelle. C'est la limite de l'exercice : l'entreprise décrit une méthode, pas un protocole reproductible.
Le duplex intégral de Dessa, sans modèle de langage derrière
Dessa est ce qu'on appelle un modèle en duplex intégral. Il écoute pendant qu'il parle, ce qui lui permet d'être interrompu, de réagir à un changement de ton et de placer une pause au bon moment. OpenAI a ouvert la voie cette année avec GPT-Live, construit sur le même principe.
La différence se situe ailleurs. Un modèle vocal classique va chercher ses connaissances dans le grand modèle de langage attaché à la chaîne. Dessa tire les siennes des conversations qui ont servi à l'entraîner, toujours d'après Block.
L'architecture y gagne en légèreté. Le domaine, lui, se rétrécit. Un modèle qui n'a jamais lu une page web ne connaîtra pas le cours de l'action Square, et Block ne prétend pas le contraire. Reste une question que la présentation laisse ouverte : que fait Dessa quand on lui pose une question sortie de son corpus ? Aucun exemple de ce type n'a été publié.
Ce que les extraits audio de Dessa racontent, et ce qu'ils taisent
Les démonstrations mises en ligne montrent une personne qui raconte sa journée de travail et dont la voix semble réellement fatiguée, puis quelqu'un qui reçoit l'annonce d'un voyage surprise et remercie la gorge serrée. On entend des rires, des reprises, des silences qui tombent juste.
C'est troublant, et c'est l'objectif. Il faut néanmoins rappeler ce qu'un extrait de démonstration est. Une sélection. Block publie les prises qui fonctionnent, et laisse de côté celles qui déraillent. Aucun test tiers, aucun classement public, aucune comparaison chiffrée avec GPT-Live n'accompagne l'annonce. Tout ce qui suit dans les pages spécialisées, y compris la formule « le modèle vocal le plus réaliste », vient de l'entreprise elle-même.
Un modèle qui tourne sur un MacBook Pro M4 Max
Block affirme que Dessa s'exécute en local sur un MacBook Pro équipé d'une puce M4 Max ou d'une configuration supérieure. TechCrunch ajoute, de son côté, que l'entraînement a mobilisé une baie de GPU Nvidia, une information de presse que l'entreprise n'a pas détaillée.
L'enjeu dépasse la performance brute. Un modèle vocal qui tourne sur la machine de l'utilisateur ne facture pas à la minute d'appel, n'envoie pas l'audio à un serveur distant et continue de répondre quand la connexion vacille. Pour un commerce qui prend des commandes par téléphone, ces trois points pèsent plus lourd que quelques points de naturel.
Block a un intérêt direct dans l'affaire. Square propose déjà de la prise de commande vocale, et un modèle maison exécuté localement ferait baisser le coût de chaque appel. La facture d'inférence, dans ce genre de service, se paie à chaque conversation, toute la journée. Ce n'est pas un détail comptable.
Ni API, ni poids, ni prix : Dessa reste sur liste d'attente
Dessa n'est pas disponible. Pas d'API, pas de poids téléchargeables, pas de grille tarifaire. Le site officiel propose des enregistrements de démonstration et une liste d'attente, et l'entreprise a ouvert un accès anticipé à un petit groupe de chercheurs en sécurité.
Block donne trois raisons à ce projet : la curiosité, l'amélioration de la compréhension entre humains et machines, et la sécurité. La troisième mérite qu'on s'y arrête. Elle n'est pas la plus évidente pour une entreprise de paiement.
Ce que Block affirme | Ce qui reste non vérifié |
|---|---|
Entraînement de zéro, uniquement sur des conversations humaines | Volume de données, langues, provenance des enregistrements |
Duplex intégral, interruptions et réactions en temps réel | Comparaison mesurée avec GPT-Live |
Exécution locale sur MacBook Pro M4 Max ou supérieur | Configuration exacte, latence réelle, comportement après quantification |
Accès anticipé pour quelques chercheurs en sécurité | Calendrier d'ouverture, conditions, tarification |
Voix clonées : le revers prévisible de Dessa
Plus une voix synthétique sonne juste, plus elle devient utile à ceux qui veulent se faire passer pour quelqu'un d'autre. CoinDesk a relayé les inquiétudes de spécialistes de la fraude dès l'annonce, et le scénario est connu : un appel qui imite la voix d'un proche, une demande d'argent urgente, une victime qui n'a aucune raison de douter.
Le choix de réserver l'accès anticipé aux chercheurs en sécurité se lit dans ce contexte. Tester si un agent vocal peut berner la personne au bout du fil demande des conditions réalistes, et donc un accès au modèle avant le grand public. C'est une lecture plausible, pas une confirmation : Block n'a pas expliqué publiquement comment cet accès serait encadré.
Les éléments publiés à ce stade ne décrivent pas non plus de mécanisme de filigrane ou d'outil de détection. Or c'est précisément ce qui manque au secteur : reconnaître une voix générée reste plus difficile que repérer une image générée, faute de signal fiable dans le son.
Ce que Block gagne à maîtriser la voix
Block n'est pas un laboratoire de modèles qui cherche un débouché. C'est une entreprise de paiement qui cherche à réduire un coût. La différence oriente le projet : un modèle vocal utile à Square, c'est un modèle qui comprend un client pressé, gère un accent, encaisse une hésitation et n'invente pas un prix.
Le secteur bouge vite sur ce créneau. Les centres d'appels, la prise de rendez-vous, l'assistance téléphonique des services publics testent tous des voix synthétiques, et le prix à la minute arbitre souvent le choix. Un modèle capable de tourner sur un ordinateur portable change l'équation pour les structures qui ne veulent pas envoyer leurs appels chez un fournisseur américain.
Reste à savoir si la démonstration tient la charge. Une voix convaincante sur sept secondes d'extrait et une voix qui tient vingt minutes de conversation ne demandent pas le même modèle.
À suivre chez Block
Le prochain signal sera l'évaluation indépendante. Des chercheurs extérieurs, une fois l'accès obtenu, publieront des mesures sur les interruptions, la latence et la dérive de la voix sur de longues sessions, et c'est là que la comparaison avec GPT-Live deviendra lisible.
D'ici là, la seule chose à faire est de s'inscrire sur la liste d'attente si le sujet vous concerne, en gardant en tête qu'un modèle vocal réaliste ouvre aussi la porte à des usages que personne n'a envie de découvrir par un appel de faux proche en détresse.
