Dessa Voice Model: qué es realmente la IA exclusivamente de voz de Block y dónde encaja en un agente de voz

«Modelo de voz Dessa» es algo razonable de buscar y difícil de encontrar, porque Block no ha lanzado uno. Lo que la empresa anunció el 23 de octubre de 2026 es una vista previa de investigación de Dessa, un modelo de voz a voz full-duplex entrenado desde cero con conversaciones humanas: sin corpus de texto, sin modelo de lenguaje preentrenado, audio de entrada y audio de salida sin nada en medio. No hay API, ni precio, ni archivo de pesos, ni benchmark, ni recuento de parámetros. También hay una colisión de nombres que conviene aclarar primero: la cantante Dessa aparece en los mismos resultados de búsqueda, y el nombre del modelo proviene de una startup de investigación del habla de Toronto que Block adquirió en 2020, cuyo antiguo equipo ahora dirige este proyecto bajo Ragavan Thurairatnam, reportando a Jack Dorsey.

Qué es exactamente la cosa

Dessa es un modelo de voz a voz de extremo a extremo. Tú hablas, él te escucha mientras habla y responde en audio. No hay un paso de transcripción, ni un turno de texto, ni una etapa de síntesis separada. Block dice que el modelo se entrenó íntegramente con conversaciones humanas grabadas, sin datos de texto ni puntos de control preentrenados, y que el entrenamiento se ejecutó en un único rack NVIDIA GB200 NVL72 —72 GPU Blackwell en un solo rack—, lo que constituye una llamativa afirmación de eficiencia de datos en un campo donde los modelos de texto de frontera se entrenan con decenas de miles de aceleradores.

Junto a esto se encuentran otras dos afirmaciones. Block dice que la inferencia se ejecuta más rápido que en tiempo real en un MacBook Pro M4 Max «o superior»; un M4 Max de gama alta lleva 128 GB de memoria unificada, por lo que un modelo que quepa cómodamente en esa cantidad no es enorme según los estándares actuales. Se trata de una inferencia a partir de una afirmación, no de una revelación: no la acompañan datos sobre cuantización, huella de memoria ni tokens por segundo.

Lo que Block sí publicó son más de una docena de grabaciones de conversaciones y una serie de adjetivos. The Verge, que escuchó los mismos clips, describió las conversaciones como «un poco incómodas y desconcertantes» y señaló una en la que el modelo llama «Ronaldo» a su interlocutor. En los clips que Block seleccionó, Dessa se ríe en medio de su propia frase, sube el volumen cuando se lo piden, completa el título de una película que el hablante ha olvidado y se queda sin aliento ante la revelación de un aniversario.

¿Por qué «modelo de voz» es la expresión correcta y «texto a voz» no lo es?

La distinción importa más que la marca. Un modelo de texto a voz recibe una cadena y devuelve audio: no tiene idea de lo que se dijo antes, no se le puede interrumpir y no puede interrumpir. Un modelo conversacional nativo de voz recibe audio y devuelve audio, y todo lo que hace que se sienta como un participante —la sincronización, el solapamiento, las señales de acompañamiento, ese medio segundo en el que estabas a punto de hablar y cambiaste de opinión— reside en la parte que un modelo TTS no tiene.

El dúplex completo es el nombre técnico del esquema de una llamada telefónica. El modelo escucha mientras habla, así que puede ser interrumpido a mitad de frase y recuperarse, y puede intervenir mientras tú hablas. Todo asistente de voz tipo walkie-talkie que hayas usado tiene un límite audible en cada turno: espera al silencio, decide que has terminado, transcribe, piensa, sintetiza y reproduce. Aprendes a esperar el pitido. Un modelo dúplex aprende desde el momento en que casi hablas.

Eso es una propiedad de la interacción, no una propiedad de la inteligencia. Un modelo puede tener un turno de palabra impecable y no tener nada que decir, o una respuesta brillante entregada con la cadencia de un fax. Lo que los clips de demostración establecen es que Block construyó algo que se comporta como un participante. Lo que no pueden establecer es con qué frecuencia se comporta así cuando nadie está seleccionando el clip.

Dónde encajaría dentro de un stack que ya ejecutas

El agente de voz práctico que la mayoría de los equipos utiliza hoy es una cadena: reconocimiento de voz, después un modelo de lenguaje y luego síntesis de voz. Cada salto añade latencia, cada proveedor es un contrato aparte y la transcripción intermedia es donde la emoción, la vacilación y la interrupción acaban muriendo.

La aritmética de la latencia explica por qué vale la pena prestar atención a los modelos dúplex. En la cadena, la primera respuesta audible espera a que el reconocedor termine, a que el modelo de lenguaje produzca una cláusula completa y a que el sintetizador la reproduzca. Un modelo dúplex puede iniciar una reacción audible antes de haber decidido qué decir —un "mm" a 200 milisegundos es un movimiento conversacional plausible, y un movimiento conversacional plausible es para lo que está pensado todo el diseño.

Lo que la cadena te ofrece a cambio es todo lo que el modelo exclusivamente de voz no tiene: invocación de herramientas, salida estructurada, recuperación sobre tus documentos y una interfaz nativa con JSON. Block admite las preguntas abiertas en su propia página: con qué eficiencia aprende hechos e idiomas un modelo exclusivamente de voz en comparación con un modelo de texto, y si el aprendizaje en contexto sobrevive sin preentrenamiento de texto. No son notas al pie; son la diferencia entre un agente conversacional convincente y un asistente de propósito general.

La arquitectura defendible que queda en el medio es una capa nativa de voz combinada con algo capaz de leer tu hoja de cálculo. Ese es un argumento que Block aún no ha planteado, y la vista previa actual no expone ninguna interfaz mediante la cual esa combinación pueda producirse.

Qué falta, dicho sin rodeos

La ausencia es inusualmente completa para un anuncio tan visible, así que vale la pena dejar constancia por escrito: 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 documentación de la API. El acceso es anticipado para un pequeño grupo de investigadores en seguridad de la IA que solicitan acceso con un correo institucional, además de una lista de espera pública con enlaces de lanzamiento descritos como «próximamente».

Los números que faltan no son igualmente importantes. Un precio o un archivo de pesos te dice quién puede usarlo. Una API o un SDK son la diferencia entre un modelo y un artículo. Una cifra de latencia en milisegundos es lo único que un clip de vídeo estructuralmente no puede transmitir, y para un modelo dúplex los tiempos son el producto. Un benchmark es el menos urgente de los cuatro, porque no existe ningún benchmark de solapamiento conversacional en el que alguien confíe.

Cómo evaluar un modelo de voz para tu propio caso de uso

Si está esperando acceso —o evaluando un modelo nativo de voz diferente que ya se ha lanzado—, estas son las mediciones que determinan si es apto para producción. Ninguna de ellas está publicada para Dessa hoy, y por eso vale la pena conservar la lista.

• Conjunto de conversaciones reservadas con prompts publicados, no una selección de momentos destacados. Un equipo que registra muchas conversaciones y publica las mejores te ha dicho que existen buenas conversaciones; eso no equivale a afirmar fiabilidad.

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

• Recuperación tras una interrupción — con qué frecuencia el modelo pierde el hilo después de que se le corta y con qué rapidez lo retoma.

• Inteligibilidad en condiciones de ruido, que es donde los sistemas de voz suelen fallar primero y donde todas las demostraciones guardan silencio.

• {{1}}Retención de hechos{{/1}}, ya que esa es la contrapartida explícita de eliminar texto del entrenamiento.

Qué hacer hoy

Para cualquier cosa que tenga que funcionar el próximo trimestre, la pila sigue siendo reconocedor, modelo de lenguaje y sintetizador, y esa pila ya se puede montar a través de un único endpoint: OrcaRouter enruta más de 200 modelos con una sola clave al precio de lista del proveedor con un 0 % de margen, con conmutación por error automática entre proveedores, un DSL de enrutamiento que puede componer varios modelos en una sola llamada y fusión de modelos cuando quieres un panel que responda en conjunto. Eso no convierte un walkie-talkie en una llamada telefónica. Elimina una integración de la cadena mientras los modelos dúplex maduran.

Para ser explícitos sobre lo que no está disponible: Dessa no figura en el catálogo de OrcaRouter, y nada de lo aquí expuesto constituye una oferta para servirlo. Cuando Block lance una API, la capa de enrutamiento es donde un modelo como este merecería compararse por precio por minuto de conversación en lugar de por token — una métrica que actualmente no existe en ninguna tarifa, y por la que esta categoría acabará comprándose.

El resumen honesto

Dessa es un auténtico resultado de investigación con una página de demostración excepcionalmente buena, obra de un equipo con ocho años de trabajo en voz a sus espaldas, publicado como avance en lugar de como producto. Lo interesante no es que las conversaciones suenen humanas —los clips seleccionados siempre lo consiguen—, sino que un modelo pueda aprender a conversar únicamente a partir del audio en un solo rack y que el full-duplex se trate como la configuración por defecto en vez de como una función.

Si eso se sostiene con un conjunto reservado, cambia aquello con lo que se construye un agente de voz. Hasta entonces, la etiqueta correcta es la que es: no un modelo de voz al que puedas llamar, sino una señal clara de hacia dónde va la pila tecnológica.

Nota sobre las fuentes: todas las afirmaciones sobre Dessa en este artículo —el anuncio del 23 de octubre de 2026, el entrenamiento solo con voz, el único rack GB200 NVL72, la afirmación sobre el MacBook Pro M4 Max, la vía de acceso de vista previa de investigación, las cifras faltantes, la adquisición de 2020 y la matización «hasta donde sabemos»— proceden del propio anuncio de Block y de las declaraciones públicas de la empresa, leídos el 26 de octubre de 2026, y no han sido verificadas de forma independiente. La descripción «incómoda y desconcertante» y el detalle sobre «Ronaldo» son de The Verge, procedentes de su cobertura de los mismos clips. Los cinco criterios de evaluación y el argumento sobre la latencia son nuestros. La descripción del enrutamiento, los precios y la conmutación por error de OrcaRouter corresponde a nuestro propio comportamiento de producto publicado.