Block Dessa, l’AI vocale che ascolta e parla insieme

Block, la società fintech di Jack Dorsey, ha presentato Dessa, un modello di intelligenza artificiale che conversa a voce ascoltando e parlando nello stesso momento. Secondo l’azienda, il modello è stato addestrato direttamente su conversazioni umane, senza usare testo come base, e può girare in locale anche su un MacBook Pro M4 Max o superiore.

Il modello è stato sviluppato dal piccolo laboratorio di ricerca sull’AI interno a Block, che riferisce direttamente a Dorsey. Secondo la pagina ufficiale di Block dedicata al progetto, Dessa è un modello “speech-to-speech” full-duplex, definito dall’azienda “il modello vocale full-duplex più autentico mai costruito”. Per ora è un’anteprima di ricerca: non è disponibile al pubblico.

Cosa fa Dessa e perché è diverso

Gli assistenti vocali tradizionali funzionano spesso a turni: ascoltano, trascrivono in testo, elaborano la risposta con un modello linguistico e poi la convertono di nuovo in voce. Dessa, secondo Block, non dipende da questa classica pipeline voce → testo → modello linguistico → sintesi vocale: riceve audio e produce audio mentre l’interlocutore sta ancora parlando.

Questo gli permette di fare ciò che fanno le persone al telefono: intercalare un “sì”, un “ho capito”, mentre l’altro parla. Block sostiene che il modello lavori più veloce del tempo reale, cioè genera la voce più in fretta di quanto serva per pronunciarla.

Addestrato solo sulla voce umana

Il dato più insolito riguarda l’addestramento. Block afferma di aver costruito Dessa da zero, usando soltanto conversazioni umane registrate: nessun testo, nessun modello già addestrato come base. Secondo il team, il modello avrebbe imparato la lingua da un numero di parole “centinaia di volte inferiore” a quello necessario ai grandi modelli linguistici. È un confronto fatto dagli stessi autori, non verificato da terzi.

Per l’addestramento Block dice di aver usato un singolo sistema Nvidia GB200 NVL72: non un semplice server, ma un rack di calcolo con 72 GPU Blackwell e 36 CPU Grace. Il modello finito, sempre secondo Block, gira in locale su un MacBook Pro con chip M4 Max o superiore. Questo significa che, almeno in teoria, una parte dell’inferenza può avvenire sul dispositivo senza dover passare continuamente da un server remoto.

Disponibilità e cosa resta incerto

Dessa non si può usare. L’accesso anticipato è riservato a un piccolo gruppo di ricercatori di sicurezza dell’AI, invitati a cercare i rischi che il team non ha previsto. “Un modello che ha imparato a parlare solo dal suono è un territorio nuovo, e vogliamo occhi esterni”, ha spiegato Ragavan Thurairatnam, responsabile del progetto.

Molto resta da chiarire. Block non dice quali lingue supporta Dessa, e quindi nemmeno se parla italiano. Non dice se i pesi del modello saranno pubblicati, con quale licenza, né quando arriverà un lancio vero. Non ci sono prezzi né benchmark indipendenti. La pagina annuncia solo che “i link per il lancio arriveranno presto”.

Dietro la notizia: una voce credibile è anche un’arma

Block non è un laboratorio di AI puro: il suo business principale resta legato ai pagamenti e ai servizi finanziari, con prodotti come Square e Cash App. Un modello vocale capace di girare sul dispositivo potrebbe ridurre molto la dipendenza dall’inferenza cloud e quindi abbassare i costi operativi di alcuni servizi, per esempio assistenza telefonica o gestione delle ordinazioni. È lì uno dei possibili vantaggi economici.

Ma una voce che ride, esita e interrompe come una persona vera è esattamente ciò che serve alle truffe telefoniche. In Italia le frodi con voci clonate di familiari e finti operatori bancari sono già una realtà. Un modello che gira in locale, fuori dai controlli di un servizio cloud, è più difficile da sorvegliare. Block lo sa, e infatti apre prima ai ricercatori di sicurezza. Il punto che la pagina non affronta è cosa succederà se i pesi verranno distribuiti liberamente.

C’è poi un nodo europeo. L’AI Act prevede che una persona sia informata quando interagisce direttamente con un sistema di intelligenza artificiale, salvo i casi in cui ciò sia già evidente. Per i contenuti audio sintetici entrano inoltre in gioco obblighi di trasparenza e marcatura. Più una voce diventa difficile da distinguere da quella umana, più questi obblighi diventano rilevanti per chi la usa in un call center o in altri servizi rivolti al pubblico. Il tema si lega alla richiesta di regole sugli incidenti già avanzata dai grandi laboratori: OpenAI e Anthropic chiedono l’obbligo di segnalare gli incidenti causati dagli agenti AI.

Come lavoriamo: questo articolo è curato dalla redazione di Dietro le Notizie con il supporto di strumenti di intelligenza artificiale ed è verificato sulle fonti indicate. Le analisi sono della redazione.