Dessa, la voce AI di Block che ha imparato solo ascoltando
Block ha presentato Dessa, un modello vocale che non ha mai visto una parola scritta. Niente testo, niente modelli preaddestrati da riusare: solo audio di conversazioni umane. Il risultato, secondo l’azienda di Jack Dorsey, è una voce che ride a metà frase, sospira e capisce quando è il momento di tacere.
L’annuncio è del 23 ottobre 2026 e arriva da un laboratorio di ricerca molto piccolo, guidato da Ragavan Thurairatnam.
Cos’è Dessa e perché non somiglia agli altri modelli vocali
La maggior parte degli assistenti vocali lavora in tre passaggi: trascrive l’audio in testo, ragiona con un modello linguistico, poi genera di nuovo audio. Ogni passaggio perde qualcosa, soprattutto il tono.
Dessa salta tutto questo. È un modello speech-to-speech: audio in ingresso, audio in uscita. È anche full-duplex, quindi ascolta e parla nello stesso momento, come due persone al telefono. Impara dai dati reali quando inserirsi e quando fare quei brevi segnali di assenso che in linguistica si chiamano backchannel.
Block sostiene che l’inferenza giri più veloce del tempo reale: la risposta arriva mentre l’interlocutore sta ancora finendo di parlare.
Addestrato solo ascoltando: cosa significa davvero
Il punto tecnico più curioso è l’assenza totale di testo. Dessa è stato addestrato da zero su registrazioni di conversazioni, senza token scritti né modelli preesistenti. Il parlato non si ripete mai uguale: la stessa frase detta due volte produce due file diversi.
Una parola pronunciata occupa migliaia di volte più byte della sua versione scritta. E l’accento cambia il significato: la pagina ufficiale cita una frase che vuol dire cose diverse a seconda della parola stressata.
Il training è girato su un singolo sistema NVIDIA GB200 NVL72. Dessa ha imparato la lingua con centinaia di volte meno parole di un modello linguistico tradizionale. In pratica è più leggero, ma anche più limitato: quello che sa viene dalle conversazioni ascoltate.
Tip
Full-duplex non vuol dire solo più veloce. Vuol dire che il modello può essere interrotto e reagire all’interruzione senza ripartire da capo. È la differenza tra parlare con qualcuno e lasciare un messaggio in segreteria.
Cosa cambia per gli assistenti vocali su Android
Dessa non è disponibile: c’è una lista d’attesa pubblica e un accesso anticipato per un piccolo gruppo di ricercatori di sicurezza. Nessuna app, nessun SDK, nessuna data di lancio.
Il modello gira in locale su un MacBook Pro con M4 Max o superiore. Non è un telefono, ma è un computer consumer. Se lo stesso approccio scendesse su hardware mobile, l’assistente vocale smetterebbe di dipendere dal cloud per capire il tono di voce.
Google lavora da tempo sulla stessa direzione con Gemini Live, che ha già introdotto il passaggio continuo dalla voce alla digitazione. La differenza è l’approccio: Google parte da un modello multimodale enorme, Block da un modello piccolo addestrato solo su suoni. Il primo ha però un vantaggio che Dessa non ha, cioè la conoscenza del mondo.
Il lato scomodo: una voce che inganna l’orecchio
Una voce che ride, si commuove e ti interrompe al momento giusto può anche essere usata per imbrogliare qualcuno. Block lo sa, tanto che l’accesso anticipato serve proprio a far emergere rischi che il team non ha previsto.
Il caso classico è la truffa telefonica: un agente vocale che finge di essere una persona reale e sfrutta la naturalezza per guadagnare fiducia. Con un modello così il costo di una voce credibile crolla. Per questo conviene saper riconoscere i segnali di un audio sintetico.
La clonazione vocale è già alla portata di app comuni su Android e, insieme alla conversazione in tempo reale, diventa un problema concreto.
Chi c’è dietro e perché Block costruisce voci
Dessa nasce da un laboratorio minuscolo. Thurairatnam ha fondato e venduto l’omonima startup di deep learning di Toronto. Il motivo commerciale è chiaro: Square usa già l’AI vocale per gestire gli ordini e un modello che gira sul dispositivo costerebbe meno per conversazione.
Domande frequenti su Dessa
Dessa è disponibile al pubblico?
No. C’è una lista d’attesa e un programma di accesso anticipato per ricercatori di sicurezza. Block parla di link di lancio in arrivo, senza date.
Serve una GPU per farlo girare?
Block indica un MacBook Pro con M4 Max o superiore. Il training invece è girato su un sistema NVIDIA GB200 NVL72.
Dessa capisce quello che dice?
È una domanda aperta. Il modello non ha un archivio di conoscenza testuale e impara dalle conversazioni, quindi non è chiaro quanto assimili i fatti.
Che differenza c’è con Gemini Live o GPT-Live?
Sono modelli full-duplex anche loro, ma partono da basi multimodali con testo. Block presenta Dessa come il primo addestrato esclusivamente su audio.
Può essere usato per truffe vocali?
Sì, ed è il rischio principale. Per questo Block distribuisce l’accesso prima ai ricercatori di sicurezza e non al pubblico.