Dessa de Block a été entraîné uniquement sur la parole — voici ce que les démos ne prouvent pas

Block a publié plus d’une douzaine d’enregistrements de conversations et pas un seul chiffre de benchmark. Ce ratio est l’élément le plus révélateur à propos de Dessa, le modèle vocal full-duplex que la société de Jack Dorsey a annoncé le 23 octobre 2026. Dessa est entraîné de zéro sur des conversations humaines, sans texte ni modèles préentraînés, et il fait quelque chose de vraiment inhabituel : il écoute et parle en même temps, entrée audio et sortie audio, sans étape de transcription intermédiaire. À l’heure où nous écrivons, il s’agit aussi d’un aperçu de recherche derrière une liste d’attente, sans nombre de paramètres, sans API, sans prix, sans poids et sans évaluation publiée. Les démos constituent l’intégralité de la base de preuves publiques.

Cela ne rend pas l’annonce creuse pour autant. Un modèle vocal qui apprend la langue sans corpus textuel s’attaque à une hypothèse que la plupart du secteur a cessé de remettre en question — que le texte est là où réside la connaissance et que la parole n’est qu’une mince interface par-dessus. Mais l’écart entre « les démos sont stupéfiantes » et « nous savons ce que ce modèle peut faire » est large, et la page de Block elle-même se montre plus franche sur cet écart que la plupart des articles de lancement. La phrase qui fait le plus de travail compte quatre mots : « pour autant que nous le sachions ».

Ce que Block a réellement mis sur la page

Si l’on retire les adjectifs, le bilan confirmé est mince. Tout ce qui suit provient de l’annonce de Block elle-même ou des déclarations publiques de l’entreprise ; rien ici n’a été vérifié de façon indépendante.

• Sortie — annoncée le 23 octobre 2026 comme aperçu de recherche, et non comme produit généralement disponible.

• Forme — parole-à-parole de bout en bout : audio en entrée, audio en sortie, duplex intégral, sans texte intermédiaire.

• Entraînement — à partir de zéro, uniquement sur des conversations humaines. Block affirme qu’aucune donnée textuelle ni aucun modèle préentraîné n’a été utilisé.

• Calcul — l’entraînement a été effectué sur une seule baie NVIDIA GB200 NVL72, selon l’entreprise.

• Inférence locale — Block affirme qu’elle s’exécute plus vite que le temps réel sur un MacBook Pro M4 Max « ou mieux ».

• Accès — accès anticipé pour « un petit groupe de chercheurs en sécurité de l’IA » qui postulent avec une adresse e-mail institutionnelle, plus une liste d’attente publique. La page indique que les liens de lancement seront bientôt disponibles.

• Manquant — nombre de paramètres, longueur du contexte, taille du jeu de données ou heures d’audio, durée d’entraînement, latence en millisecondes, scores de référence, licence, prix, poids, et toute documentation API.

L’équipe est un petit groupe de recherche au sein de Block, dirigé par Ragavan Thurairatnam, constitué autour d’anciens membres de la startup torontoise Dessa que Block a acquise en 2020, et elle rend directement compte à Dorsey. Cette filiation compte pour lire l’annonce : il s’agit d’un laboratoire fort de huit ans d’histoire dans la parole générative, et non d’une entreprise de paiements qui greffe une démo à une feuille de route produit. Cela explique aussi pourquoi la publication ressemble à un artefact de recherche plutôt qu’au lancement d’un produit — parce qu’elle en est un.

Le full-duplex est la partie qui mérite d’être comprise

La plupart des assistants vocaux fonctionnent comme un talkie-walkie. Le système attend que vous vous arrêtiez, détermine que vous avez terminé, transcrit, réfléchit, synthétise une réponse et la diffuse. Chacune de ces frontières est audible. Vous apprenez à attendre le bip, et le modèle n’apprend rien de la demi-seconde où vous étiez sur le point de parler mais avez changé d’avis.

Le full-duplex est le modèle de l’appel téléphonique. Le modèle écoute pendant qu’il parle, il peut donc être interrompu au milieu d’une phrase, intervenir avec un « ouais » ou un « compris » pendant que vous parlez, et adapter son rythme au vôtre. Les démonstrations de Block s’appuient fortement là-dessus : Dessa rit au milieu de sa propre phrase, monte le volume quand on le lui demande, termine le titre d’un film que l’interlocuteur a oublié et laisse échapper un hoquet de surprise lors de la révélation d’un anniversaire. The Verge, qui a écouté les mêmes extraits, a décrit les conversations comme « un peu maladroites et étranges » et a signalé celle où Dessa appelle son interlocuteur « Ronaldo ».

Les deux réactions peuvent être vraies. Le full-duplex est une propriété d’interaction, pas une propriété d’intelligence. Un modèle peut avoir une alternance des tours de parole impeccable et rien d’intéressant à dire, ou une réponse brillante délivrée avec le timing d’un fax. Ce que les démos établissent, c’est que Block a construit quelque chose qui se comporte comme un participant. Ce qu’elles ne peuvent pas établir, c’est à quelle fréquence il se comporte ainsi quand personne ne sélectionne l’extrait.

Ce qu’apporte un entraînement sur la parole seule, et ce qu’il coûte

Ce qui plaide pour un entraînement fondé uniquement sur la parole, c’est que le texte perd presque tout ce qu’une conversation véhicule. La transcription d’un « fine » n’est qu’un mot. L’audio, c’est un soupir, une pause, une baisse de hauteur, et une décision de savoir s’il faut demander à nouveau. Le motif de sécurité évoqué par Block en découle : un système vocal qui ne peut pas percevoir la détresse est sourd précisément au signal qui compte dans un appel d’assistance ou une ligne de crise.

Le coût est tout aussi structurel. Les grands modèles de langage tirent leur couverture factuelle, leur code, leur sortie structurée et leur appel d’outils du texte. Un modèle entraîné uniquement sur la parole n’a pas d’interface native pour un PDF, un schéma JSON ou un appel d’API. Block reconnaît les questions ouvertes sur sa propre page : avec quelle efficacité un modèle uniquement vocal apprend des faits et des langues par rapport à un modèle textuel, et si l’apprentissage en contexte survit sans préentraînement sur du texte. Ce ne sont pas des notes de bas de page. C’est la différence entre un agent conversationnel convaincant et un assistant polyvalent.

Il existe une position défendable au milieu : un modèle natif de la parole n’a pas besoin de lire votre tableur s’il est associé à quelque chose qui le fait. Mais c’est un argument d’architecture que Block n’a pas encore avancé, et l’aperçu actuel n’expose aucune interface par laquelle un tel appairage pourrait se produire.

La base de données probantes est une bande démo curated

Block affirme que les extraits sont des enregistrements en direct, que personne ne pilote le modèle et que les sous-titres ont été ajoutés après coup. Ce sont de bonnes pratiques, et elles excluent la forme la plus grossière de fraude de démonstration. Elles n’excluent pas la sélection. Une équipe qui enregistre de nombreuses conversations et publie les meilleures vous a dit que de bonnes conversations existent, ce qui n’est pas la même affirmation que « ce modèle est fiable ».

Ce dont une évaluation indépendante aurait besoin est précis, et il vaut la peine de le consigner dès maintenant afin que la prochaine annonce puisse être mesurée à cette aune :

• Un ensemble de conversations mis de côté, avec des invites publiées, et non des extraits sélectionnés.

• Latence de réponse mesurée de bout en bout, y compris le délai jusqu’à la première réaction audible, et pas seulement « plus rapide que le temps réel ».

• Récupération après interruption : à quelle fréquence le modèle perd le fil après avoir été interrompu, et à quelle vitesse il reprend.

• Intelligibilité en milieu bruyant, où les systèmes vocaux échouent généralement en premier.

Un budget de calcul et de données déclaré, afin que l'affirmation « {{1}}des centaines de fois moins de mots{{/1}} » puisse être vérifiée par rapport à quelque chose.

• Une certaine mesure de rétention factuelle, puisque c’est là le compromis explicite de l’abandon de texte.

Aucun de ces éléments n’existe encore. C’est normal pour un aperçu et anormal pour un lancement, et c’est pourquoi le qualificatif correct pour Dessa aujourd’hui est « résultat de recherche avec une page de démonstration exceptionnellement bonne ».

La revendication matérielle est la plus discrète.

Deux chiffres matériels figurent sur la page et aucun n’a été vérifié. Le premier est que l’entraînement a utilisé un GB200 NVL72 — une seule baie contenant 72 GPU Blackwell. Si c’est vrai, il s’agit d’une affirmation frappante en matière d’efficacité des données : un modèle capable de tenir une conversation, entraîné sur une seule baie, dans un domaine où les modèles de texte de pointe sont entraînés sur des dizaines de milliers d’accélérateurs. C’est aussi le genre d’affirmation qui dépend entièrement de l’échelle : une baie pendant combien de temps, sur combien d’heures d’audio, avec combien de paramètres ?

Le deuxième point est que l’inférence s’exécute plus vite que le temps réel sur un MacBook Pro M4 Max. Un M4 Max haut de gamme dispose de 128 Go de mémoire unifiée, si bien qu’un modèle qui y tient confortablement n’est pas énorme selon les normes actuelles. Il s’agit d’une inférence, pas d’une divulgation. Block n’a publié ni la taille, ni la quantification, ni l’empreinte mémoire, ni le nombre de jetons par seconde, de sorte que l’affirmation concernant l’ordinateur portable ne peut être reproduite, seulement répétée.

C’est ici que le lecteur technique devrait ressentir l’absence le plus vivement. Tout ce qui touche à la praticité du modèle — coût par conversation, possibilité de l’exécuter sur un téléphone, possibilité qu’une API puisse un jour être bon marché — découle d’un chiffre que Block a choisi de ne pas publier.

Pourquoi l’accès est restreint, et pourquoi cela compte pour l’évaluation

Les raisons déclarées par Block pour créer Dessa sont la curiosité, une meilleure compréhension de l’interaction entre les humains et l’IA, et la sécurité. La restriction est cohérente avec la troisième : une voix qui lit les émotions et converse de manière convaincante est un outil d’usurpation d’identité tout prêt, et le moyen le plus rapide d’éviter un mauvais titre dans la presse est de la garder dans une petite pièce.

Le compromis, c’est que l’accès restreint et l’évaluation indépendante tirent dans des directions opposées. Un petit groupe de chercheurs en sécurité pourrait bien produire les résultats de red team les plus utiles, mais ces résultats arriveront selon le calendrier de Block et, dans la plupart des cas, sous le contrôle de Block. Tant qu’un groupe extérieur n’aura pas publié de chiffres, le dossier public se compose des extraits du fournisseur et des impressions de journalistes sur ces extraits. C’est une base bien mince pour l’expression « surpasse tout ce qui existe en matière d’expression émotionnelle », qui est une affirmation portant sur une comparaison que personne n’a menée.

Qu’est-ce qui transformerait cela en produit ?

Quatre choses, dans un ordre approximatif d’importance. Un prix ou un fichier de poids, car l’un comme l’autre vous dit qui peut l’utiliser. Une API ou un SDK, car un modèle que vous ne pouvez pas appeler n’est qu’un article. Un benchmark ou une évaluation indépendante, car « le plus authentique » n’est pas une métrique. Et un chiffre de latence en millisecondes, car toute la valeur du full-duplex réside dans le timing, et le timing est précisément ce qu’un clip vidéo ne peut pas transmettre.

N’importe lequel de ceux-ci changerait la façon dont cet article devrait être lu. Les quatre en feraient un lancement.

Si vous avez besoin d'un agent vocal d'ici là

La pile pratique pour un agent vocal en production reste la reconnaissance vocale, puis un modèle de langage, puis la synthèse vocale. Chaque étape ajoute de la latence et chaque fournisseur correspond à un contrat distinct. OrcaRouter est la couche intermédiaire : une API unique devant plus de 200 modèles, avec 0 % de marge — le prix catalogue du fournisseur répercuté tel quel —, le basculement automatique entre fournisseurs, un DSL de routage capable de composer plusieurs modèles en un seul appel, et la fusion de modèles lorsque vous voulez qu’un panel de modèles réponde ensemble. Cela ne transforme pas un talkie-walkie en appel téléphonique ; cela retire une intégration de la chaîne pendant que les modèles duplex arrivent à maturité.

Pour être clair sur ce que nous n'avons pas : Dessa ne figure pas au catalogue OrcaRouter, et rien dans cet article ne doit être interprété comme une offre de le servir. Lorsque Block publiera une API, la couche de routage est l'endroit où un modèle comme celui-ci mériterait d'être comparé sur le prix par minute de conversation plutôt que par token.

Que regarder

L’affirmation qui mérite d’être prise au sérieux n’est pas « le premier ». C’est que le langage pourrait être apprenable à partir de la parole avec des centaines de fois moins de données, et que le modèle résultant pourrait comprendre une conversation d’une manière qu’une transcription ne pourrait jamais permettre. Si Block publie un article avec le budget de données, le nombre de paramètres et une évaluation hors échantillon, cette affirmation devient testable. Si la prochaine annonce est encore un ensemble de clips, la question intéressante restera ouverte — et la liste d’attente restera la seule porte.