Block presenta Dessa, una IA que interpreta la voz sin convertirla en texto
Block anunció Dessa, un nuevo modelo de inteligencia artificial diseñado para procesar directamente el habla humana. A diferencia de los sistemas de voz que primero transcriben el audio, Dessa trabaja con las señales de voz para identificar matices como emociones, sarcasmo, risas y pausas durante una conversación.
Según la compañía, se trata del primer modelo de IA desarrollado desde cero y entrenado exclusivamente con habla humana, sin incorporar datos de texto en su entrenamiento.
Con este enfoque, Block busca mejorar la capacidad de los sistemas de inteligencia artificial para comprender aspectos de la comunicación que van más allá de las palabras pronunciadas.
Qué es Dessa y en qué se diferencia de otras IA de voz
La principal característica de Dessa está en su forma de procesar el lenguaje hablado. Mientras que otros sistemas convierten primero la voz en texto, el modelo de Block analiza directamente el audio, conservando las señales presentes en la expresión oral.
Esta diferencia permite interpretar elementos que pueden perderse durante una transcripción, como el tono emocional, una expresión sarcástica, una carcajada o una pausa.
De acuerdo con Block, Dessa puede reconocer estas señales en tiempo real, lo que abre la posibilidad de mantener conversaciones en las que la IA tenga en cuenta no solo las palabras, sino también la manera en que se pronuncian.
La interpretación de emociones en sistemas de voz ya cuenta con antecedentes. En marzo de 2024, Hume AI presentó EVI (Empathic Voice Interface), mientras que Kyutai lanzó Moshi en septiembre de ese mismo año.
Por su parte, el proyecto Open Empathic de LAION trabaja en este campo desde finales de 2023. OpenAI también renovó el modo de voz avanzado de ChatGPT en junio de 2025.
Conversaciones simultáneas y ejecución local
Otra característica de Dessa es su compatibilidad con la comunicación full-duplex, que permite al modelo escuchar y hablar al mismo tiempo.
De esta manera, el sistema puede procesar la voz del interlocutor mientras genera sus propias respuestas, en lugar de depender exclusivamente de turnos separados para escuchar y contestar.
Block también compartió detalles sobre los recursos utilizados para desarrollar y ejecutar el modelo.
Dessa fue entrenado utilizando una sola NVIDIA GB200 NVL72 y puede ejecutarse localmente en una MacBook Pro con chip M4 Max.
Estas características forman parte de la propuesta técnica de un sistema que combina el procesamiento directo del habla con la interpretación de señales emocionales y la comunicación simultánea.
Por qué Block decidió desarrollar Dessa
Block explicó que el desarrollo de Dessa responde a tres motivaciones principales: la curiosidad técnica, el interés por mejorar la comunicación entre humanos e inteligencia artificial y las preocupaciones relacionadas con la seguridad.
La compañía considera que los sistemas actuales de IA de voz suelen pasar por alto señales emocionales importantes durante una conversación.
Esas señales pueden aportar información sobre cómo se expresa una persona, incluso cuando las palabras utilizadas permanecen iguales.
Con Dessa, Block busca explorar una forma de interacción en la que la inteligencia artificial pueda interpretar también esos componentes de la comunicación oral.
Disponibilidad y primeras pruebas de seguridad
Dessa todavía no está disponible públicamente.
Antes de ampliar su acceso, Block está buscando investigadores especializados en seguridad de inteligencia artificial que puedan evaluar el modelo e identificar posibles riesgos inesperados.
La compañía ha habilitado un formulario de inscripción para las personas interesadas en participar en esta etapa de evaluación, disponible a través de su sitio web block.xyz.
Esta fase inicial está centrada en el análisis de seguridad del sistema.
Block en contexto
Block es la compañía detrás de Square y Cash App. Con Dessa, la empresa presenta un modelo de inteligencia artificial centrado en el procesamiento directo del habla humana y el reconocimiento de señales emocionales durante las conversaciones.
