Dessa AI debate los riesgos de liberar modelos de voz hiperrealistas mientras ríe y gestiona interrupciones en vivo.
Dessa AI · Laboratorio de Deep Learning de Block · Modelo Nativo de Audio
Dessa AI: El modelo conversacional entrenado solo con voz humana
Dessa AI es un modelo fundacional de voz full-duplex desarrollado en Block. Entrenado desde cero exclusivamente con audio de conversaciones humanas reales —con cero texto y sin modelos de lenguaje preentrenados—, Dessa AI aprende el idioma, el ritmo, las risas, las interrupciones y la prosodia emocional directamente del sonido, usando cientos de veces menos palabras que los LLM de texto.

Block Team Dessa · 1× NVIDIA GB200 NVL72 training · Local MacBook Pro M4 Max inference.
Explora el Laboratorio Interactivo de Dessa AI
Dessa AI vs GPT Live (GPT-Live-1)
Escucha a Dessa AI conversar directamente con GPT-Live-1 en estudio y por altavoz con ruido ambiente, con marcas de tiempo detalladas.
Muestras de audio de Dessa AI
Explora las 21 grabaciones oficiales de doble canal de Block: desde el timbre de una cafetera hasta canto espontáneo, videojuegos y consejos.
Dessa AI en Twitter / X
Lee los hilos virales de Jack Dorsey (@jack), el líder del proyecto Ragavan Thurairatnam (@RagavanThurair) e investigadores de IA.
Entrenado de extremo a extremo con audio conversacional puro sin transcripciones ni LLM de texto.
Adquiere fluidez lingüística con cientos de veces menos palabras que los modelos de texto.
Entrenado en un único rack NVIDIA GB200 NVL72, órdenes de magnitud menor que los clústeres de texto.
Se ejecuta más rápido que el tiempo real localmente en un MacBook Pro con chip M4 Max o superior.
Reproductor Interactivo de Doble Canal
Conversaciones Reales sin Guion Destacadas
Cada grabación es una conversación en vivo sin editar con Dessa AI. Haz clic en cualquier marcador de Momento para saltar a risas espontáneas, interrupciones o señales acústicas.
Extracto sin guion de 2m25s entre Dessa AI y GPT-Live-1 de OpenAI, destacando cesión por interrupción (38.8s), paciencia (100.8s) y backchanneling rápido (128.8s).
Transcripción sincronizada (78)
A mitad de la charla suena una cafetera real de fondo y Dessa AI percibe el sonido ambiental y reacciona al instante.
Transcripción sincronizada (60)
Diálogo ágil sobre superhéroes de DC con cambios de turno rápidos y entusiasmo natural.
Transcripción sincronizada (60)
Lluvia de ideas cálida y empática con asentimientos rápidos ('mm-hmm') y ritmo humano.
Transcripción sincronizada (60)
Prosodia suave y reflexiva que muestra cómo el entrenamiento puro en audio captura calidez humana.
Transcripción sincronizada (60)
Cambio de Paradigma Arquitectónico
Por Qué Aprender Directamente del Sonido lo Cambia Todo
Los asistentes de voz tradicionales acoplan un reconocedor ASR y una voz TTS a un LLM de texto, perdiendo el 90% de la señal paralingüística. Dessa AI procesa el sonido como su representación nativa.
Cascada ASR → LLM de Texto → TTS
- Colapsa el ritmo, la respiración, las dudas y las voces superpuestas en tokens de texto planos.
- Depende de detectores rígidos de actividad de voz (VAD), generando pausas artificiales.
- Requiere billones de tokens de texto y enormes centros de datos para entrenar e inferir.
- La risa y la emoción son etiquetas sintéticas añadidas al final, no dinámicas emergentes.
Audio Full-Duplex Nativo de Extremo a Extremo
- Entrenado desde cero exclusivamente con audio de conversaciones humanas (0% texto).
- Escucha y habla en full-duplex real: asiente ('mm-hmm'), cede el turno al ser interrumpido y percibe silencios.
- Escucha eventos acústicos del entorno de forma nativa, como el timbre de una cafetera.
- Control prosódico emergente: susurra, suspira, ríe, canta y cambia de tono emocional a mitad de frase.
Prueba de Prosodia y Estrés
Explicando Programación Paralela CUDA con Emociones Extremas
Para demostrar que un modelo puramente acústico mantiene la precisión técnica mientras modula la expresión vocal, los investigadores de Block pidieron a Dessa AI explicar la programación paralela en GPU NVIDIA CUDA cambiando rápidamente entre entusiasmo, susurros, sarcasmo y urgencia teatral.
- Mantiene una explicación rigurosa de bloques de hilos, warps y memoria compartida mientras varía el timbre vocal.
- Demuestra que el conocimiento semántico y la expresión paralingüística coexisten en un mismo espacio latente acústico.
- Sin prompts de texto ni etiquetas emocionales TTS: guiado únicamente por voz en tiempo real.
Huella de Cómputo y Hardware
Entrenado en 1× GB200 NVL72. Inferencia Local en MacBook Pro M4 Max.
Entrenamiento en un Solo Rack
Mientras los modelos multimodais de texto requieren decenas de miles de GPU, Dessa AI se entrenó en un único sistema NVIDIA GB200 NVL72.
Inferencia Local Más Rápida que el Tiempo Real
Dessa AI ejecuta inferencia voz-a-voz full-duplex localmente en un portátil Apple M4 Max o superior sin latencia de nube.
Adquisición del Lenguaje Como un Niño
Al modelar prosodia, cadencia y retroalimentación social directamente del audio, Dessa AI aprende con una fracción mínima de palabras.
Equipo y Orígenes en Block
Creado por Team Dessa, Reportando a Jack Dorsey
Dessa AI fue creado por un pequeño laboratorio de aprendizaje profundo dentro de Block, Inc., fundado por antiguos miembros de la startup de Toronto Dessa. El equipo está liderado por Ragavan Thurairatnam y reporta directamente a Jack Dorsey.
Ragavan Thurairatnam (@RagavanThurair)
Jack Dorsey (@jack)
Louay Hazami · Hashiam Kadhim · Qi (Alex) Liu · Rayhane Mama · Aydin Polat · Marc Tyndel
Cara Ji · Jibran Iqbal Shah · Dvir Zagury-Grynbaum
Aryan Sharma · Olivia Yan
Convocatoria Abierta para Investigadores de Seguridad en IA
Dado que un modelo de voz indistinguible de un humano que se ejecuta localmente plantea nuevos retos de seguridad y suplantación, Block aún no ha publicado los pesos del modelo y colabora activamente con investigadores de seguridad.
Contacto de Seguridad e Investigación: ragavan+dessa@block.xyz
Preguntas Frecuentes sobre Dessa AI
¿Qué es Dessa AI de Block?
Dessa AI es un modelo fundacional experimental de voz full-duplex desarrollado por Block, Inc., entrenado desde cero únicamente con audio de conversaciones humanas y sin texto.
¿Utiliza Dessa AI un LLM de texto o reconocimiento ASR internamente?
No. Dessa AI no utiliza transcripciones de texto, ni ASR, ni un LLM de texto intermedio. Procesa y genera ondas de sonido directamente.
¿En qué hardware se entrenó y dónde puede ejecutarse?
Se entrenó en un único sistema NVIDIA GB200 NVL72 y funciona más rápido que el tiempo real localmente en un MacBook Pro con chip Apple M4 Max o superior.
¿Dónde puedo escuchar las grabaciones oficiales de Dessa AI?
Puedes reproducir las 21 conversaciones oficiales sin guion con ondas sincronizadas y transcripciones completas directamente en este sitio.