Block presenta Dessa: un modelo de voz realista que funciona en local

Qué es Dessa y qué novedades técnicas introduce

El laboratorio de investigación de Block, la compañía dirigida por Jack Dorsey, ha dado a conocer Dessa, un nuevo modelo de inteligencia artificial centrado en la interacción por voz. A diferencia de las soluciones convencionales, Dessa destaca por un comportamiento acústico muy cercano al humano, incorporando de manera orgánica elementos como pausas, risas o expresiones de fatiga durante la conversación.

Uno de los aspectos técnicos más notables expuestos por la compañía es que el sistema ha sido entrenado exclusivamente con registros de habla humana mediante una única tarjeta gráfica de NVIDIA. Además, se trata de una arquitectura full-duplex, lo que significa que el modelo puede hablar y escuchar simultáneamente, un funcionamiento comparable al modelo GPT-Live presentado previamente por OpenAI.

El fin de la conversión a texto en la voz artificial

En la mayoría de los sistemas actuales, la interacción vocal depende de un proceso fragmentado: la voz del usuario se transcribe a texto mediante un transcriptor, un modelo de lenguaje procesa la respuesta escrita y, finalmente, un generador de voz convierte el texto resultante en audio. Según han explicado desde Block, este método intermedio empobrece la comunicación al suprimir los matices acústicos.

«Interactuar con la IA de voz actual puede ser frustrante. Convierte la voz en texto y desecha una cantidad increíble de información»

Mientras que herramientas del mercado como ElevenLabs v4 o Fish Audio Drama 3 recurren a etiquetas contextuales para forzar la entonación o la emoción, Block sostiene que en Dessa la expresividad forma parte intrínseca del entrenamiento. El conocimiento del sistema procede directamente de los datos conversacionales con los que ha sido configurado, sin necesidad de conectarse a un modelo de lenguaje externo para la formulación de respuestas.

Impacto y ventajas del procesamiento local para las empresas

Una característica determinante de Dessa es su capacidad para operar directamente en el dispositivo del usuario. Block ha confirmado que el modelo puede ejecutarse de manera local en equipos comerciales de gama alta, como un ordenador con procesador MacBook M4 Max o prestaciones equivalentes.

Para el tejido empresarial y las pymes, el procesamiento local de modelos de voz abre consideraciones de gran interés técnico y operativo:

• Reducción de costes de infraestructura: Al no depender de llamadas constantes a interfaces de programación (API) en la nube, el coste por interacción continuada puede reducirse de manera sustancial.
• Privacidad de las comunicaciones: El tratamiento directo en el equipo receptor evita que las grabaciones de voz de clientes o empleados viajen a servidores de terceros, lo que facilita el cumplimiento normativo en entornos de datos sensibles.
• Baja latencia: La comunicación bidireccional inmediata sin intermediación de servidores remotos agiliza la fluidez en tareas interactivas.

Block ya aplica inteligencia artificial de voz en Square para gestionar pedidos en pequeños negocios. Disponer de un motor propio capaz de funcionar en el propio terminal permite concebir soluciones avanzadas para comercios sin incurrir en costes desproporcionados de computación externa.

Implicaciones de seguridad y estado actual del proyecto

A pesar de las demostraciones publicadas por los investigadores —en las que el asistente modula la voz según el contexto, expresa cansancio o participa en dinámicas de juego—, Dessa no se encuentra disponible para uso público ni comercial. La empresa ha restringido el acceso y ha convocado a especialistas e investigadores en seguridad para someter el sistema a pruebas controladas.

El objetivo de esta fase de evaluación consiste en detectar y prevenir riesgos asociados al realismo del habla, en particular situaciones en las que un agente automatizado pudiera engañar o confundir a un interlocutor haciéndose pasar por una persona.

Recomendaciones para pymes ante la evolución de los agentes de voz

Aunque Dessa permanezca de momento como un desarrollo experimental de laboratorio, marca una tendencia clara en el diseño de agentes de citas y atención telefónica. Las empresas interesadas en automatizar canales de voz deben considerar varios pasos preparatorios:

• Auditar los flujos de atención actuales: Identificar qué consultas requieren únicamente confirmación de datos estructurados y cuáles demandan flexibilidad conversacional.
• Planificar la arquitectura de sistemas: Evaluar si el software a medida de la empresa está preparado para integrarse con modelos que procesen entradas de audio en tiempo real frente a los sistemas tradicionales basados en texto.
• Mantener protocolos de identificación claros: Ante la creciente naturalidad de la voz sintética, las organizaciones deberán establecer pautas transparentes que informen al cliente de que está interactuando con un sistema automatizado.