Dessa de Block se entrenó únicamente con voz — esto es lo que las demos no demuestran

Block publicó más de una docena de grabaciones de conversaciones y ni una sola cifra de benchmark. Esa proporción es lo más informativo de Dessa, el modelo de voz full-duplex que la empresa de Jack Dorsey anunció el 23 de octubre de 2026. Dessa se entrena desde cero con conversación humana, sin texto y sin modelos preentrenados, y hace algo realmente poco habitual: escucha y habla al mismo tiempo, audio de entrada y audio de salida, sin ningún paso de transcripción intermedio. Además, a fecha de este texto, es una vista previa de investigación tras una lista de espera, sin número de parámetros, sin API, sin precio, sin pesos y sin evaluación publicada. Las demos son toda la base de pruebas pública.

Eso no hace que el anuncio esté vacío. Un modelo de habla que aprende lenguaje sin un corpus de texto ataca una suposición que la mayor parte de la industria ha dejado de cuestionar: que el texto es donde reside el conocimiento y que el habla es una interfaz delgada encima. Pero la brecha entre «las demos son asombrosas» y «sabemos lo que este modelo puede hacer» es amplia, y la propia página de Block es más sincera sobre esa brecha que la mayoría de las publicaciones de lanzamiento. La frase que hace más trabajo tiene cuatro palabras: «hasta donde sabemos».

Lo que Block realmente puso en la página

Si quitamos los adjetivos, el registro confirmado es breve. Todo lo que sigue procede del propio anuncio de Block o de las declaraciones públicas de la empresa; nada de esto ha sido verificado de forma independiente.

• Lanzamiento — anunciado el 23 de octubre de 2026 como una vista previa de investigación, no como un producto de disponibilidad general.

• Forma: voz a voz de extremo a extremo: audio de entrada, audio de salida, dúplex completo, sin texto intermedio.

• Entrenamiento — desde cero únicamente con conversación humana. Block dice que no se utilizaron datos de texto ni modelos preentrenados.

• Cómputo — el entrenamiento se ejecutó en un único rack NVIDIA GB200 NVL72, según la empresa.

• Inferencia local — Block afirma que se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max «o superior».

• Acceso — acceso anticipado para «un pequeño grupo de investigadores en seguridad de la IA» que solicitan con un correo electrónico institucional, además de una lista de espera pública. La página indica que los enlaces de lanzamiento estarán disponibles próximamente.

• Falta — número de parámetros, longitud de contexto, tamaño del conjunto de datos u horas de audio, duración del entrenamiento, latencia en milisegundos, puntuaciones de benchmark, licencia, precio, pesos y cualquier documentación de API.

El equipo es un pequeño grupo de investigación dentro de Block liderado por Ragavan Thurairatnam, formado en torno a antiguos miembros de la startup de Toronto Dessa, que Block adquirió en 2020, y reporta directamente a Dorsey. Ese linaje importa para interpretar el anuncio: este es un laboratorio con ocho años de historia en voz generativa, no una empresa de pagos que le añade una demo a la hoja de ruta de un producto. También explica por qué el anuncio parece un artefacto de investigación en lugar de un lanzamiento de producto: porque lo es.

El full-duplex es la parte que vale la pena entender

La mayoría de los asistentes de voz funcionan como un walkie-talkie. El sistema espera a que te calles, decide que has terminado, transcribe, piensa, sintetiza una respuesta y la reproduce. Cada uno de esos límites se oye. Aprendes a esperar el pitido, y el modelo no aprende nada del medio segundo en el que estabas a punto de hablar pero cambiaste de opinión.

El full dúplex es el modelo de llamada telefónica. El modelo escucha mientras habla, así que se le puede interrumpir a mitad de frase, puede intercalar «sí» o «entendido» mientras hablas, y puede ajustar su ritmo al tuyo. Las demostraciones de Block dependen mucho de esto: Dessa se ríe en mitad de su propia frase, sube el volumen cuando se lo piden, termina el título de una película que el hablante ha olvidado y da un grito ahogado ante la revelación de un aniversario. The Verge, que escuchó los mismos clips, describió las conversaciones como «un poco incómodas y extrañas» y señaló una en la que Dessa llama «Ronaldo» a su interlocutor.

Ambas reacciones pueden ser ciertas. El full-duplex es una propiedad de la interacción, no una propiedad de la inteligencia. Un modelo puede tener una alternancia de turnos impecable y no tener nada interesante que decir, o una respuesta brillante entregada con el ritmo de una máquina de fax. Lo que las demos demuestran es que Block ha construido algo que se comporta como un participante. Lo que no pueden demostrar es con qué frecuencia se comporta así cuando nadie está seleccionando el clip.

Qué aporta entrenar solo con voz y qué cuesta

El argumento a favor del entrenamiento solo con voz es que el texto descarta casi todo lo que transmite una conversación. Una transcripción de «fine» es una sola palabra. El audio es un suspiro, una pausa, una caída de tono y una decisión sobre si volver a preguntar. El motivo de seguridad declarado por Block se deriva de eso: un sistema de voz que no puede oír el malestar es sordo justo a la señal que importa en una llamada de soporte o en una línea de crisis.

El costo es igualmente estructural. Los modelos de lenguaje grandes obtienen su cobertura de hechos, su código, su salida estructurada y su llamada a herramientas del texto. Un modelo entrenado solo con voz no tiene una interfaz nativa para un PDF, un esquema JSON o una llamada a una API. Block reconoce las preguntas abiertas en su propia página: con qué eficiencia aprende hechos e idiomas un modelo solo de voz en comparación con un modelo de texto, y si el aprendizaje en contexto sobrevive sin preentrenamiento con texto. Esas no son notas al pie. Son la diferencia entre un agente conversacional convincente y un asistente de propósito general.

Hay una postura defendible en el término medio: un modelo nativo del habla no necesita leer tu hoja de cálculo si se empareja con algo que sí lo haga. Pero ese es un argumento arquitectónico que Block aún no ha formulado, y la vista previa actual no expone ninguna interfaz mediante la cual pudiera producirse ese emparejamiento.

La base de evidencia es un reel de demostración curado.

Block dice que los clips son grabaciones en vivo, que nadie dirige el modelo y que los subtítulos se añadieron después. Son buenas prácticas y descartan la forma más burda de fraude en una demo. Pero no descartan la selección. Un equipo que graba muchas conversaciones y publica las mejores te ha dicho que existen buenas conversaciones, lo cual no es lo mismo que afirmar que "este modelo es fiable".

Lo que una evaluación independiente necesitaría es concreto, y vale la pena dejarlo por escrito ahora para que el próximo anuncio pueda medirse con ello:

• Un conjunto de conversaciones reservado con prompts publicados, no una selección de aspectos destacados.

• Latencia de respuesta medida de extremo a extremo, incluido el tiempo hasta la primera reacción audible, no solo «más rápido que el tiempo real».

• Recuperación de interrupciones: con qué frecuencia el modelo pierde el hilo después de ser interrumpido y con qué rapidez lo retoma.

• Inteligibilidad bajo ruido, que es donde los sistemas de voz suelen fallar primero.

• Un presupuesto declarado de cómputo y datos, para que la afirmación de "cientos de veces menos palabras" pueda contrastarse con algo.

• Cierto grado de retención de información fáctica, ya que esa es la contrapartida explícita de descartar texto.

Ninguno de estos existe todavía. Eso es normal para una vista previa y anormal para un lanzamiento, por lo que la etiqueta correcta para Dessa hoy es «resultado de investigación con una página de demostración excepcionalmente buena».

La afirmación sobre el hardware es la discreta.

En la página figuran dos cifras de hardware y ninguna de las dos ha sido verificada. La primera es que el entrenamiento utilizó un GB200 NVL72: un único rack con 72 GPU Blackwell. Si es cierto, se trata de una afirmación llamativa sobre la eficiencia de datos: un modelo capaz de mantener una conversación, entrenado en un solo rack, en un campo donde los modelos de texto de frontera se entrenan con decenas de miles de aceleradores. También es el tipo de afirmación que depende por completo de la escala: ¿un rack durante cuánto tiempo, con cuántas horas de audio, con cuántos parámetros?

Lo segundo es que la inferencia se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max. Un M4 Max de gama alta tiene 128 GB de memoria unificada, así que un modelo que quepa cómodamente allí no es enorme para los estándares actuales. Eso es una inferencia, no una revelación. Block no ha publicado el tamaño, la cuantización, la huella de memoria ni la cifra de tokens por segundo, por lo que la afirmación sobre el portátil no se puede reproducir, solo repetir.

Este es el punto donde un lector técnico debería sentir la ausencia con mayor intensidad. Todo lo relacionado con la practicidad del modelo —el coste por conversación, si puede ejecutarse en un teléfono, si una API podría llegar a ser barata— se deriva de una cifra que Block ha decidido no publicar.

Por qué el acceso está restringido y por qué eso importa para la evaluación

Las razones declaradas por Block para crear Dessa son la curiosidad, una mejor comprensión de la interacción entre humanos e IA, y la seguridad. El control de acceso es coherente con la tercera: una voz que interpreta emociones y conversa de forma convincente es una herramienta de suplantación lista para usar, y la forma más rápida de evitar un titular negativo es mantenerla en una sala pequeña.

La contrapartida es que el acceso restringido y la evaluación independiente apuntan en direcciones opuestas. Es muy posible que un pequeño grupo de investigadores de seguridad produzca los resultados de red team más útiles, pero esos resultados llegarán según los plazos de Block y, en la mayoría de los casos, bajo la revisión de Block. Hasta que un grupo externo publique cifras, el registro público se compone de los clips del proveedor más las impresiones de los periodistas sobre los clips del proveedor. Eso es una base endeble para la frase «supera a cualquier otra cosa en expresión emocional», que es una afirmación sobre una comparación que nadie ha realizado.

¿Qué convertiría esto en un producto?

Cuatro cosas, en orden aproximado de importancia. Un precio o un archivo de pesos, porque cualquiera de los dos te dice quién puede usarlo. Una API o un SDK, porque un modelo al que no puedes llamar es solo un artículo. Un benchmark o una evaluación independiente, porque «más auténtico» no es una métrica. Y una cifra de latencia en milisegundos, porque todo el valor del dúplex completo está en la sincronización temporal, y el tiempo es lo único que un clip de vídeo no puede transmitir.

Cualquiera de esos cambiaría cómo debería leerse este artículo. Los cuatro lo convertirían en un lanzamiento.

Si necesitas un agente de voz antes de entonces

El stack práctico para un agente de voz en producción sigue siendo reconocimiento de voz, luego un modelo de lenguaje y después síntesis de voz. Cada salto añade latencia y cada proveedor es un contrato aparte. OrcaRouter es la capa intermedia: una única API delante de más de 200 modelos, con 0% de margen —el precio de lista del proveedor se traslada tal cual—, conmutación automática por error entre proveedores, un DSL de enrutamiento que puede componer varios modelos en una sola llamada y fusión de modelos cuando quieres un panel de modelos que respondan juntos. Eso no convierte un walkie-talkie en una llamada telefónica; elimina una integración de la cadena mientras maduran los modelos dúplex.

Para ser explícitos sobre lo que no tenemos: Dessa no está en el catálogo de OrcaRouter, y nada en este artículo debe interpretarse como una oferta para servirlo. Cuando Block lance una API, la capa de enrutamiento es donde un modelo como este merecería ser comparado por precio por minuto de conversación en lugar de por token.

Qué ver

La afirmación que vale la pena tomar en serio no es «primero». Es que el lenguaje podría ser aprendible a partir del habla con cientos de veces menos datos, y que el modelo resultante podría entender una conversación de una manera que una transcripción nunca podría. Si Block publica un artículo con el presupuesto de datos, el número de parámetros y una evaluación con conjunto reservado, esa afirmación se vuelve comprobable. Si el próximo anuncio es otro conjunto de clips, la pregunta interesante seguirá abierta — y la lista de espera seguirá siendo la única puerta.