Dessa, l'IA vocale de Block, a appris à parler sans aucun texte

Block, l'entreprise derrière Square et Cash App, a dévoilé Dessa, un modèle d'IA vocale entraîné uniquement sur des enregistrements de personnes qui parlent, sans aucun texte écrit. Block a publié cet aperçu de recherche le 23 octobre 2026 et affirme que le modèle tourne sur un MacBook Pro. Si ces affirmations se confirment, Dessa annonce des assistants vocaux qui entendent le ton et l'émotion au lieu de lire une transcription.

Il n'y a pas encore de version publique. Block donne d'abord un accès anticipé à un petit groupe de chercheurs en sécurité de l'IA, avec une liste d'attente pour tous les autres, selon la page Dessa de Block.

En quoi Dessa diffère des IA vocales actuelles

La plupart des assistants vocaux fonctionnent par étapes. Ils transforment votre parole en texte, laissent un modèle de texte rédiger une réponse, puis lisent cette réponse à voix haute. Block estime que cette chaîne perd l'essentiel de ce que porte une voix. « Elle transforme votre voix en texte et jette une quantité incroyable d'informations que le texte seul ne peut pas porter », a écrit l'entreprise, selon TechCrunch.

Dessa se passe du texte. L'audio entre et l'audio sort. « Nous avons entraîné Dessa à partir de zéro, uniquement sur des conversations humaines », indique la page de Block, sans texte ni modèle de langage préentraîné en dessous.

Dessa fonctionne aussi en full-duplex (duplex intégral). Cela signifie qu'il écoute et parle en même temps, comme lors d'un appel téléphonique plutôt qu'avec un talkie-walkie. Il peut couper la parole, réagir aux interruptions, rire et donner de courtes réponses comme « ouais ! » pendant que vous parlez encore. Block le qualifie de « modèle vocal full-duplex le plus authentique jamais construit », une affirmation qu'aucun testeur externe n'a encore vérifiée.

Entraînement et matériel

Block affirme que Dessa a appris le langage avec « des centaines de fois moins de mots » qu'il n'en faut à un grand modèle de langage. Sa page note qu'un mot prononcé occupe des milliers de fois plus d'octets que le même mot écrit.

L'entraînement a tourné sur un seul Nvidia GB200 NVL72, un système à l'échelle d'une baie doté de 72 GPU Blackwell, selon la page de Block et Notebookcheck. L'article de TechCrunch cite Block évoquant « un seul GPU NVIDIA ». La propre page de Block nomme le système GB200 NVL72 complet.

Faire tourner le modèle demande bien moins. Block affirme que Dessa fonctionne en local sur un MacBook Pro équipé d'une puce M4 Max ou supérieure, plus vite que le temps réel.

Ce que Block a dit	Ce que Block n'a pas dit
Entraîné uniquement sur des conversations humaines	Combien d'heures, ou d'où viennent les enregistrements
Entraîné sur un GB200 NVL72	Taille du modèle ou nombre de paramètres
Tourne sur un MacBook Pro M4 Max ou supérieur	Latence en millisecondes
Les chercheurs en sécurité ont accès en premier	Date de sortie, prix, licence ou poids

Block n'a publié ni article scientifique ni scores de benchmark, notent CoinDesk et Notebookcheck. Les démos sont choisies par Block. L'une d'elles associe Dessa à GPT-Live-1, une voix d'IA dont le développeur, selon Block, n'a aucun lien avec l'entreprise.

Qui l'a construit

Le laboratoire est dirigé par Ragavan Thurairatnam. Ses membres viennent de Dessa, une start-up torontoise d'apprentissage profond que Square a rachetée en 2020 et dont le modèle porte désormais le nom, rapporte CoinDesk. « Un modèle qui a appris à parler à partir du seul son est un territoire nouveau, et nous voulons des regards extérieurs dessus », a écrit Thurairatnam sur la page de Block.

Jack Dorsey, dont l'entreprise a construit le modèle, a salué le résultat sur X. « Lui parler, c'est comme parler à une personne…plein d'émotion, de nuances, de pauses et d'une cadence naturelle », a-t-il écrit, cité par CoinDesk.

Craintes d'arnaques

Ce même réalisme inquiète. La cinéaste Justine Bateman a demandé si le but était qu'« on puisse piéger les gens pour qu'ils baissent leur garde », rapporte CoinDesk. Le journaliste Shiv Aroor a écrit : « Les appels frauduleux sont sur le point d'atteindre un niveau pandémique. »

La page de Block aborde la sécurité autrement. Elle soutient que le risque, c'est une IA vocale incapable d'entendre la détresse, et elle veut que des chercheurs testent Dessa tôt. La page ne mentionne ni tatouages numériques, ni limites au clonage de voix, ni autres garde-fous contre les abus.

Dessa arrive dans un mois chargé pour les modèles vocaux. Tech AI Wire a couvert en octobre les agents vocaux Eleven Realtime d'ElevenLabs et Grok Voice 3.0 de xAI.

Ce que cela signifie pour les développeurs

Il n'y a encore rien sur quoi construire. Dessa n'a ni API, ni poids, ni licence. Si vous travaillez sur des produits vocaux, inscrivez-vous sur la liste d'attente et attendez un vrai accès avant de planifier quoi que ce soit autour.

Surveillez l'affirmation sur l'exécution en local. Un modèle vocal full-duplex qui tourne plus vite que le temps réel sur un ordinateur portable changerait le coût des applications vocales. Les appels n'auraient pas besoin d'un aller-retour vers le cloud pour chaque réponse. Vérifiez si un Mac plus modeste peut le faire tourner une fois que Block aura publié la configuration requise.

Préparez-vous à un monde où l'on ne peut pas se fier à une voix sur le seul son. Si votre application gère des paiements, des appels au support ou la récupération de comptes, ne vous fiez pas à une voix qui « sonne humaine » comme preuve de quoi que ce soit. Ajoutez des numéros de rappel, une confirmation dans l'application ou d'autres vérifications qu'une voix synthétique ne peut pas passer.

Posez à Block les questions en suspens avant de l'adopter : d'où viennent les conversations d'entraînement, si les locuteurs ont donné leur consentement et ce qui empêche le modèle de copier la voix d'une personne réelle.