Gdy większość firm koncentruje się na zwiększaniu liczby parametrów i długości kontekstu, Block, spółka Jacka Dorseya stojąca za Cashem i Square'em, postanowiła skupić się na kluczowej słabości asystentów głosowych: wyrażaniu emocji. Zaprezentowany w piątek model Dessa nie jest kolejnym syntezatorem mowy czytającym tekst ludzkim tonem. To model full-duplex, który jednocześnie mówi i słucha, potrafi się zaśmiać, zamilknąć, a nawet, jak przekonują twórcy, zabrzmieć tak, jakby był zmęczony po całym dniu pracy.

Najważniejsza deklaracja techniczna brzmi zaskakująco prosto: Dessa została wytrenowana wyłącznie na ludzkiej mowie, bez tekstowego pośrednika w procesie generowania. To odwrócenie dominującego schematu. Współczesne systemy najpierw zamieniają głos użytkownika na transkrypcję, przetwarzają ją dużym modelem językowym, a następnie syntezują odpowiedź, tracąc po drodze intonację, wahanie i cały pozawerbalny kontekst żywej rozmowy. Block w swoim wpisie nazywa ten proces wyrzucaniem informacji, których tekst nie jest w stanie oddać, dodając, że „najpotężniejsze AI świata nie słyszą, co czujesz”.

To także ukłon w stronę konkurencji i jednocześnie próba odróżnienia się od niej. Modele takie jak ElevenLabs v4 czy Fish Audio Drama 3 sterują ekspresją za pomocą tagów opisujących emocje, czyli nadal przez tekst. Block twierdzi, że w Dessie emocja jest wbudowana w sam model, a nie dodawana na podstawie instrukcji. Firma nie ujawniła jednak, czy i w jakim stopniu ekspresja jest kontrolowana zewnętrznie, co pozostawia miejsce na sceptycyzm wobec marketingowego przekazu.

Najciekawszy jest jednak nie sam efekt, ale wymagania sprzętowe. Dessa ma działać lokalnie na konsumenckim komputerze, wystarczy MacBook z układem M4 Max lub mocniejszym. To istotna deklaracja, ponieważ modele wysokiej jakości zwykle działają w chmurze, generując koszty za każde wywołanie i opóźnienia w transmisji. Model działający na urządzeniu zmienia model biznesowy: rozmowa głosowa przestaje być usługą abonamentową, a staje się funkcją sprzętu.

Dla Blocka to nie eksperyment w próżni. Square już dziś obsługuje zamówienia w restauracjach za pomocą asystentów głosowych, a własny, tańszy w utrzymaniu model mógłby rozszerzyć tę funkcję na wiele innych scenariuszy, od obsługi klienta w małych firmach po interfejsy w aplikacjach konsumenckich. Pojawia się jednak pytanie o granicę: głos, który brzmi „przerażająco ludzko”, jest równie skuteczny w budowaniu zaufania, co w jego nadużywaniu. Block zdaje się to rozumieć, Dessa nie jest publicznie dostępna, a firma ogłosiła nabór badaczy zajmujących się bezpieczeństwem, którzy mają sprawdzić m.in. scenariusze, w których agent głosowy mógłby oszukać rozmówcę.

Podsumowując, Dessa to próba udowodnienia, że przyszłość interfejsów nie polega na lepszym rozumieniu tekstu, lecz na odzyskaniu tego, co tekst bezpowrotnie traci. Jeśli deklaracje o działaniu na laptopie się potwierdzą, Block może wyprzedzić większych graczy w wyścigu o naturalną rozmowę, a przynajmniej zmusić ich do poważnej dyskusji o tym, czym właściwie jest autentyczność w głosie maszyny.