Dessa vs Gemma 4 12B : deux modèles pour ordinateur portable, un seul que vous pouvez télécharger

La comparaison la plus utile entre Dessa et Gemma 4 12B n'est pas un score de benchmark. C'est un fichier. Gemma 4 12B — le modèle à poids ouverts de 11,95 milliards de paramètres de Google DeepMind, publié sous le nom de Gemma 4 12B Unified sous licence Apache 2.0 le 3 juin 2026 — est un checkpoint que vous pouvez télécharger cet après-midi, exécuter sur un ordinateur portable de 16 Go et affiner sans demander la permission à quiconque. Dessa, dont Block a annoncé le lancement le 23 octobre 2026, est un modèle vocal full-duplex qui fonctionne sur un MacBook Pro M4 Max selon son fabricant, sauf que vous ne pouvez ni le télécharger, ni l'appeler, ni l'inspecter. Il est derrière une liste d'attente, sans poids, sans API, sans prix et sans nombre de paramètres publié.

Les deux sont vendus comme des modèles locaux. Un seul d'entre eux est réellement distribué. Cette distinction structure tout le reste : ce que vous pouvez construire, ce que vous pouvez mesurer, et ce que « tourne sur un ordinateur portable » signifie vraiment.

La réponse courte, et pourquoi elle est courte

Si votre objectif est de livrer quelque chose ce trimestre qui traite du texte, des images, de l’audio ou de la vidéo, Gemma 4 12B est le seul des deux à être un produit que vous pouvez utiliser. Si votre objectif est d’étudier la parole en duplex intégral — un modèle qui écoute pendant qu’il parle, intervient et se fait interrompre sans perdre le fil — Dessa est l’artefact le plus intéressant, et vous ne pouvez pas encore l’obtenir.

Cela ressemble à un rejet. C’est plutôt la description de deux stades de maturité différents. Gemma 4 12B est une version ouverte finalisée, avec une licence, une fiche de modèle et un tableau de benchmarks. Dessa est un aperçu de recherche avec une bande démo. Les comparer sur leurs capacités revient à comparer un appareil photo commercialisé à un prototype de laboratoire : le prototype a peut-être le meilleur capteur, mais un seul des deux prend une photo que l’on peut conserver.

Deux sens de « local »

L'histoire locale de Gemma 4 12B est concrète. Il s'agit d'un modèle dense de type décodeur uniquement, doté d'une architecture unifiée sans encodeur — 48 couches, des patchs d'image projetés directement, l'audio traité sans encodeur séparé. Google le positionne pour environ 16 Go de mémoire unifiée, et les poids sont sur Hugging Face en BF16, avec des versions GGUF, MLX et d'autres builds communautaires à venir. Vous pouvez l'exécuter hors ligne, dans un avion, sans aucun compte.

L’histoire locale de Dessa tient en une phrase sur une page : l’inférence s’exécute plus vite que le temps réel sur un MacBook Pro M4 Max ou mieux. Aucun chiffre de mémoire, aucune quantification, aucune taille de fichier et aucun téléchargement. L’affirmation peut être entièrement vraie. Elle est aussi infalsifiable de l’extérieur, car « s’exécute localement » dans un billet de fournisseur peut signifier « nos chercheurs l’ont démontré sur un ordinateur portable » plutôt que « vous l’exécuterez sur le vôtre ». Tant qu’il n’y a pas de fichier de poids ni d’installateur, la lecture honnête est la première.

On entend, on converse.

La différence architecturale est plus marquée que l’écart de paramètres. Gemma 4 12B est un lecteur multimodal : du texte, des images, de l’audio et de la vidéo en entrée ; du texte en sortie. Son entrée audio est limitée à 30 secondes par clip, et son entrée vidéo à environ 60 secondes à une image par seconde. Dans ces limites, il peut transcrire, traduire, décrire, répondre à des questions sur un enregistrement et extraire des données structurées. Autrement dit, il excelle à transformer un fragment délimité du monde en texte.

Dessa est un flux conversationnel : audio en entrée, audio en sortie, sans aucune étape textuelle. Il n’y a pas de transcription à inspecter, pas de frontière de jeton et pas d’étape de synthèse séparée. Block affirme que cela préserve la prosodie, les rires, les soupirs et le timing qu’une chaîne de reconnaissance vocale puis de synthèse vocale aplatit. Ses démos montrent le modèle riant au milieu d’une phrase, s’adaptant au volume et complétant le titre de film qu’un locuteur avait oublié.

La conséquence pratique est que les deux modèles ne sont pas interchangeables au niveau de l’API. Vous ne pouvez pas envoyer de PDF à Dessa. Vous ne pouvez pas demander à Gemma 4 12B d’être interrompu en cours de réponse, car il ne produit pas de flux audio à interrompre. Un produit vocal construit sur Gemma nécessite au moins deux composants supplémentaires ; un produit documentaire construit sur Dessa n’est pas possible du tout.

La fiche technique, avec les deux faces sur la même ligne

Les chiffres ci-dessous sont rapportés par les fournisseurs, sauf indication contraire. Ceux de Gemma proviennent de la fiche de modèle de Google ; ceux de Dessa proviennent de la page d’annonce de Block, qui publie bien moins d’informations.

• Paramètres — Gemma 4 12B 11.95B dense vs Dessa non divulgué.

• Poids — Gemma 4 12B Apache 2.0 : téléchargement vs Dessa : aucun publié.

• Contexte — Gemma 4 12B 262 144 jetons contre Dessa, non précisé, et aucune interface de jetons pour le mesurer.

• Entrée — Gemma 4 12B : texte, image, audio jusqu’à 30 secondes, vidéo jusqu’à environ 60 secondes, contre Dessa, un flux audio en direct.

• Sortie — texte Gemma 4 12B vs audio Dessa.

Interaction — requête et réponse en mode tour par tour de Gemma 4 12B vs Dessa en duplex intégral, avec interruption et canal de retour.

• Matériel — Gemma 4 12B, environ 16 Go de mémoire unifiée, contre Dessa, un MacBook Pro M4 Max ou mieux, selon Block.

• Prix — Gemma 4 12B est gratuit à télécharger ; les tarifs d’hébergement chez les fournisseurs tiers tournent autour de 0,10 $ en entrée et de 0,30 $ en sortie par million de jetons, contre aucun prix indiqué pour Dessa.

• Benchmarks — Gemma 4 12B : un tableau fournisseur publié, contre aucun pour Dessa.

• Disponibilité — Gemma 4 12B généralement disponible depuis juin 2026, contre une liste d’attente pour Dessa et un petit aperçu réservé aux chercheurs en sécurité.

Là où Gemma 4 12B l’emporte par défaut

Commencez par les chiffres publiés par Google, tous rapportés par le fournisseur et non reproduits ici : MMLU-Pro 77,2, GPQA Diamond 78,8, AIME 2026 77,5 sans outils, LiveCodeBench v6 72,0, Codeforces Elo 1659, Tau2 69,0, MMMU-Pro 69,1 et HLE 5,2. Le profil est celui d’un modèle de taille intermédiaire qui est solide pour sa catégorie sur le raisonnement et la vision, faible sur les questions de pointe les plus difficiles, et compétent dans l’utilisation d’outils. Une fenêtre de contexte de 256K et l’appel de fonctions natif en font un socle plausible pour un agent qui lit un long document puis agit.

Artificial Analysis, qui est indépendant de Google, estime la variante de raisonnement à 14 sur son Intelligence Index — signalé comme une estimation plutôt que comme une exécution mesurée, et bien au-dessus de la médiane de 8 pour les modèles ouverts comparables. C'est un correctif utile au tableau du fournisseur : un modèle de taille moyenne, classé dans le milieu de tableau par un tiers.

Ses chiffres audio sont plus modestes et plus pertinents pour cette comparaison. CoVoST affiche 38,5 et FLEURS 0,069 (plus bas est mieux), tous deux rapportés par le fournisseur, le chiffre CoVoST excluant le chinois. Ce sont des métriques de traduction et de reconnaissance vocale, pas de qualité conversationnelle. Gemma peut écouter un extrait de 30 secondes et vous dire ce qui a été dit. Il ne peut pas tenir un appel en direct.

La licence est l’élément qui tranche la plupart des questions commerciales. Apache 2.0 signifie aucun seuil de revenus, aucune négociation sur l’usage acceptable et aucune autorisation du fournisseur pour un fine-tuning. Pour une équipe qui veut maîtriser sa propre chaîne d’inférence, cela vaut plus qu’une meilleure démo.

Où pointent les démos de Dessa, si elles tiennent

L’affirmation intéressante n’est pas que Dessa semble humaine. C’est que supprimer le goulot d’étranglement du texte élimine une catégorie d’échec. Un pipeline qui transcrit d’abord doit décider quand vous avez fini de parler ; il s’engage sur une transcription avant de pouvoir répondre ; il perd le soupir. Un modèle duplex ne prend jamais cet engagement. Si les extraits de Block sont représentatifs, le résultat est une conversation qui tolère le chevauchement — vous pouvez parler par-dessus, et il peut parler par-dessus vous.

Ce qui manque, c’est tout moyen de savoir si les clips sont représentatifs. Block affirme que personne ne dirige le modèle et que les sous-titres ont été ajoutés après coup, ce qui exclut la mise en scène la plus grossière. Il ne publie ni ensemble de validation, ni distribution de latence, ni taux de récupération après interruption, ni score d’intelligibilité en milieu bruyant. The Verge a trouvé les mêmes démos « un peu gênantes et étranges », dont un clip où le modèle appelle son partenaire « Ronaldo ». Un montage soigné peut y survivre ; un produit, lui, doit y survivre.

Construire une boucle vocale autour de Gemma aujourd'hui

Si vous voulez un agent vocal dès maintenant, l’architecture se compose de la reconnaissance vocale, puis de Gemma 4 12B, puis de la synthèse vocale. Le modèle prend en charge la compréhension, le raisonnement et le texte de la réponse ; les services environnants gèrent l’audio. Le budget de latence est dominé par les deux extrémités, pas par le milieu : la détection de fin de parole et la synthèse coûtent généralement plus de temps réel que le premier jeton du modèle de langage.

OrcaRouter est utile au milieu de cette boucle pour une autre raison. Une API unique devant plus de 200 modèles signifie que l’étape de raisonnement peut être remplacée sans réécrire l’application, et le basculement automatique en cas de défaillance signifie qu’un incident chez un fournisseur ne met pas fin à l’appel. Le modèle à 0 % de marge — prix catalogue du fournisseur répercuté tel quel — compte lorsqu’un fournisseur baisse un prix, car la baisse est effective de notre côté le jour même. Une réserve honnête : nous routons Gemma 4 26B A4B et Gemma 4 31B, pas le 12B, qui est un modèle à télécharger et à héberger soi-même. Si vous voulez le 12B derrière une API, c’est une décision d’hébergement par un tiers, pas la nôtre.

Choisir par contrainte

• Vous devez livrer dès maintenant une sortie texte ou multimodale — Gemma 4 12B, sans véritable alternative dans cette paire.

• Vous avez besoin d'une inférence hors ligne sur du matériel que vous contrôlez — Gemma 4 12B, parce que les poids existent.

• Vous avez besoin qu’un document, une image ou un enregistrement de 30 secondes soient compris — Gemma 4 12B.

Vous avez besoin d'une voix en direct qui puisse être interrompue — Dessa est la seule des deux conçue pour cela, et elle n'est pas disponible.

• Vous avez besoin d'expressivité émotionnelle dans l'audio produit — les démos de Dessa en sont la preuve, et elles sont sélectionnées par le fournisseur.

• Il vous faut une licence que vous pouvez faire passer par le service achats — l'Apache 2.0 de Gemma 4 12B est la seule licence sur la table.

Qu’est-ce qui en ferait une véritable comparaison ?

Trois éléments changeraient la réponse. Une API Dessa, afin que les deux puissent être mesurés sur les mêmes conversations. Un nombre de paramètres et une mesure de latence publiés, afin que l’affirmation concernant l’ordinateur portable puisse être reproduite. Ou un modèle vocal natif à poids ouverts provenant de quelqu’un d’autre, ce qui transformerait « Dessa vs Gemma » en une comparaison d’architectures plutôt qu’en une comparaison de disponibilité.

D’ici là, le résumé équitable est que Gemma 4 12B est un modèle multimodal local capable, avec un goulot d’étranglement textuel qu’il ne peut pas éliminer, et que Dessa est une tentative prometteuse d’éliminer ce goulot d’étranglement, sans aucun moyen public de vérifier le résultat. Le premier est un outil. La seconde est une hypothèse à l’excellente facture.