Компания Block Джека Дорси показала голосовую ИИ-модель Dessa, которая умеет одновременно слушать и говорить, а также воспроизводит паузы, смех и эмоциональные интонации. По заявлению разработчиков, модель можно запустить локально на MacBook M4 Max; для российской IT-аудитории это очередной сигнал, что голосовые ассистенты постепенно переезжают из дорогих облачных API на пользовательское железо.
О разработке сообщает TechCrunch. Dessa создана исследовательской лабораторией Block и обучалась исключительно на человеческой речи — без текстового промежуточного слоя, который обычно связывает распознавание, языковую модель и синтез голоса. Компания утверждает, что для обучения ей хватило одной стойки с GPU NVIDIA, но не раскрывает ни число ускорителей, ни размер датасета, ни параметры модели.
Главная техническая особенность Dessa — full-duplex-режим. Модель может воспринимать реплики собеседника, пока сама формулирует ответ, то есть не обязана ждать полной тишины после каждой фразы. Такой подход ближе к живому разговору: люди перебивают друг друга, реагируют короткими междометиями и меняют интонацию ещё до окончания чужой реплики. Ранее в этом году OpenAI представила GPT-Live с похожей логикой одновременного разговора и прослушивания.
В опубликованных Block примерах ассистент меняет темп и эмоциональную окраску речи в зависимости от контекста: звучит уставшим, когда говорит о работе, и почти срывается на плач в эмоциональном диалоге. Компания противопоставляет этот подход распространённым системам, где эмоцию задают специальными тегами в запросе или отдельным слоем синтеза. Например, подобные механики используют современные генераторы речи ElevenLabs и Fish Audio. Block заявляет, что у Dessa выразительность встроена в саму модель, хотя не уточняет, можно ли и как ею управлять разработчику.
У такого решения есть важное ограничение. Обычно голосовой интерфейс подключают к большой языковой модели, поиску, CRM или другой базе знаний; сама речь отвечает за ввод и вывод. Block говорит, что знания Dessa основаны на разговорных данных, на которых она обучалась. Иными словами, убедительный голос не делает её универсальным экспертом и не отменяет необходимость подключать внешнюю логику для прикладового ассистента.
Для разработчиков интереснее всего не демонстрационные вздохи, а локальный запуск. Если заявление про MacBook M4 Max подтвердится в независимых тестах, у команд появится возможность строить приватные голосовые сценарии без постоянной передачи аудио в облако: внутреннюю поддержку, интерфейсы для сотрудников, помощников в приложениях и устройствах. Это потенциально снижает задержку и расходы на каждый разговор, но не решает автоматически вопросы качества распознавания, интеграции с бизнес-данными и безопасности.
Block уже работает с малым бизнесом и финансовыми продуктами: её подразделение Square применяет голосовой ИИ для обработки заказов. Собственная модель может расширить такие сценарии — от голосовых терминалов до клиентской поддержки. Но чем естественнее звучит ассистент, тем выше и риск злоупотреблений: убедительная интонация делает социальную инженерию дешевле, а пользователю сложнее понять, разговаривает ли он с человеком.
Публичного доступа к Dessa пока нет. Вместо этого Block приглашает исследователей безопасности тестировать модель, вероятно, в том числе на сценариях обмана собеседников. Для рынка это разумная пауза: голосовая ИИ-модель Dessa может оказаться важнее не как ещё один синтезатор речи, а как проверка того, готов ли локальный full-duplex-интерфейс стать стандартным слоем между человеком и софтом. Исходные примеры и заявления компании собрал .
