A Block, empresa de Jack Dorsey, apresentou o Dessa, um modelo de voz que aprendeu apenas ouvindo conversas humanas e roda no próprio computador, sem passar por transcrição. O resultado soa humano, e é justamente aí que começa a preocupação.
O que o Dessa faz de diferente dos modelos de voz atuais
Quase todo assistente de voz trabalha em três etapas. Ele transcreve o que você falou, entrega o texto para um modelo de linguagem e só então converte a resposta em áudio, o que exige três modelos distintos rodando em sequência. O Dessa pula as três.
O modelo recebe som e devolve som. A Block chama essa arquitetura de modelo de conversa e afirma que ela foi treinada do zero, só com gravações de pessoas falando entre si.
A diferença parece técnica, mas aparece no resultado. Uma voz que passou por texto carrega o ritmo de quem lê em voz alta. Uma voz treinada em conversa carrega o ritmo de quem está pensando no que dizer.
Por que a Block tirou o texto do caminho
A empresa argumenta que a transcrição joga informação fora. Entonação, pausa, hesitação e riso desaparecem quando a fala vira texto, e o que sobra não representa bem o que a pessoa quis dizer.
Isso tem uma consequência prática. Como o treino foi feito com diálogo, o conhecimento do Dessa vem do próprio material de conversa, sem um modelo de linguagem separado consultando fatos por trás. É uma escolha estranha para quem está acostumado com chatbots. Soa como aposta arriscada? É. E a Block assume o risco.
O anúncio foi publicado em 23 de outubro, no site da empresa, e apresentado por Dorsey em uma publicação no X. A Block não divulgou números de treino, tamanho do modelo nem comparações com concorrentes.
Full-duplex: o Dessa escuta enquanto fala
O recurso mais visível é a conversa em duas direções ao mesmo tempo, o chamado full-duplex. O modelo fala e continua ouvindo, então aceita ser interrompido no meio de uma frase e reage ao que acabou de escutar.
Na prática, isso muda o tipo de espera. Assistentes comuns param de gravar quando você termina, processam e respondem. O Dessa se comporta mais como alguém ao telefone. Ele solta um "hã" enquanto você explica um problema, ou discorda antes do fim da frase.
A OpenAI já mostrou algo parecido neste ano com o GPT-Live. A diferença que a Block tenta vender é a origem do áudio, não a mecânica da conversa.
O que as demonstrações do Dessa mostram
A empresa publicou trechos de áudio no site do projeto. Em um deles, a voz diz que está cansada depois do trabalho, e o cansaço aparece na respiração e no volume. Em outro, alguém reage a uma viagem surpresa com o que soa como choro contido.
Riso, pausa longa e voz embargada são detalhes pequenos. Só que são exatamente os detalhes que denunciam uma voz artificial em uma ligação.
Vale registrar o que não existe. Não há avaliação independente, nem benchmark público, nem amostras enviadas a pesquisadores de fora. Tudo o que se sabe sobre a qualidade do Dessa vem da própria Block, e isso inclui as gravações de demonstração.
Dessa roda local: MacBook Pro M4 Max e a conta por chamada
A Block afirma que o modelo roda em um MacBook Pro com chip M4 Max ou superior. O TechCrunch acrescenta, com base em informação da empresa, que o treino usou um único rack de GPUs da NVIDIA.
Rodar na máquina do usuário tem duas implicações. A primeira é privacidade, porque o áudio não precisa sair do dispositivo. A segunda é custo. Cada minuto de conversa deixa de ser uma chamada de API cobrada por segundo.
Para a Block, isso se encaixa no negócio. A empresa controla o Square e o Cash App, e o Square já usa voz sintética para receber pedidos em restaurantes. Um modelo próprio, que roda em hardware comum, corta a despesa por atendimento.
O risco de golpe por telefone que vem junto com uma voz convincente
Uma voz que soa humana é um problema de segurança antes de ser um produto. Observadores de fraude ouvidos pelo CoinDesk apontaram que a qualidade do Dessa pode facilitar golpes por telefone, nos quais o criminoso se passa por um parente ou por um funcionário de banco. A clonagem de voz, que já existe, ganha uma versão mais convincente e mais barata de produzir.
A própria Block deu uma pista sobre a preocupação. O acesso antecipado foi aberto a um grupo pequeno de pesquisadores de segurança em IA, não a clientes. A leitura mais direta é que a empresa quer testar, antes de tudo, se um agente de voz consegue enganar quem está do outro lado da linha.
Existe um limite para esse teste. Áudio sintético já engana pessoas hoje, com modelos bem menos sofisticados. A pergunta que interessa é se o Dessa passa a barreira de alguém desconfiado, e essa resposta só aparece com avaliação de terceiros.
Quando o Dessa chega ao público
Ainda não chegou. Não há API, não há pesos abertos, não há preço e não há data. O site oferece as gravações de demonstração e uma lista de espera.
A Block listou três motivos para o projeto: curiosidade, melhorar o entendimento entre pessoas e máquinas, e segurança. Nenhum deles é uma promessa de produto comercial no curto prazo.
Para quem acompanha modelos de voz, o Dessa é uma aposta de arquitetura. Se a tese estiver certa, o áudio deixa de ser um acessório do texto e vira o material principal. Se estiver errada, fica como uma demonstração boa de ouvir e difícil de auditar.
Até que o modelo chegue ao público, vale manter o hábito antigo. Desconfie de pedidos urgentes feitos por voz, mesmo quando a voz parece ser de alguém que você conhece. Uma pergunta fora do roteiro, sobre algo que só a pessoa real saberia, ainda é a defesa mais barata que existe.
