Dessa vs Qwen3.8-Max : un token de sortie à 6 $ face à un modèle sans prix

Qwen3.8-Max facture 2,00 $ par million de jetons d’entrée et 6,00 $ par million de jetons de sortie. Dessa ne facture rien, car Block ne le vend pas, ne l’héberge pas et ne le publie pas. Ce n’est pas une critique envers Dessa — c’est toute la comparaison. L’un est un modèle phare payant, interrogeable et évalué indépendamment ; l’autre est un aperçu de recherche vocale annoncé le 23 octobre 2026, avec une liste d’attente et une page de démonstration. Les comparer côte à côte est utile précisément parce qu’ils se situent aux extrémités opposées d’une même question produit : combien coûte le fait de donner une voix à un utilisateur ?

Qwen3.8-Max est le modèle phare hébergé d'Alibaba, annoncé le 3 août 2026, un modèle de mélange d'experts clairsemé de 2,4 billions de paramètres, avec environ 95 milliards de paramètres actifs par jeton. Dessa est le modèle parole-parole full-duplex de Block, entraîné de zéro sur des conversations humaines, sans texte et sans modèles préentraînés. L'un lit et raisonne sur un million de jetons de texte. L'autre écoute et parle en même temps. Aucun des deux ne peut faire le travail de l'autre, et un seul d'entre eux peut être appelé aujourd'hui.

À quoi sert réellement chaque modèle

Qwen3.8-Max est un moteur polyvalent de raisonnement et de génération. Il prend en entrée du texte, des images et des vidéos et renvoie du texte, avec une fenêtre de contexte d'environ un million de jetons, une sortie maximale de 131 072 jetons et un mode de réflexion pouvant consacrer jusqu'à 262 144 jetons à la chaîne de pensée. Le tableau de référence d'Alibaba vise le raisonnement de pointe et les tâches agentiques : GPQA Diamond 92,6, PaperBench 93,0, OSWorld 86,1, BabyVision 82,0, tous rapportés par le fournisseur. Artificial Analysis, qui est indépendant, le place à 45 sur son Intelligence Index et mesure 42,4 jetons de sortie par seconde.

Dessa est une interface conversationnelle. Elle reçoit un flux audio et renvoie un flux audio, sans aucun texte intermédiaire, et elle est full-duplex, ce qui signifie qu’elle peut écouter pendant qu’elle parle. Les démos de Block la montrent émettant des signaux d’écoute, riant en pleine phrase, s’alignant sur le volume et terminant le titre de film qu’un interlocuteur a oublié. Il n’y a ni tableau de benchmark, ni nombre de paramètres, ni fenêtre de contexte, car il n’existe aucune interface à tokens à mesurer.

Ce ne sont pas des réponses concurrentes à une même question. Ce sont les réponses à deux questions qu’un produit vocal doit poser successivement : comment le système comprend-il, et comment parle-t-il ?

Les numéros, et le vide là où devrait figurer celui de Dessa

Chaque chiffre Qwen ci-dessous provient de la documentation tarifaire et sur les modèles publiée par Alibaba ou d’Artificial Analysis, et est étiqueté en conséquence. Chaque chiffre Dessa provient de la page d’annonce de Block, qui publie très peu.

• Prix — Qwen3.8-Max : 2,00 $ en entrée et 6,00 $ en sortie par million de tokens, contre aucun prix affiché pour Dessa.

• Entrée mise en cache — Qwen3.8-Max 0,25 $ par million de jetons contre Dessa : non applicable.

• Paramètres — Qwen3.8-Max : 2,4 T au total, environ 95 Md actifs, contre Dessa, non divulgué.

• Contexte — Qwen3.8-Max environ 1 000 000 de tokens ; Artificial Analysis indique 984 k, contre Dessa non précisé.

• Sortie maximale — Qwen3.8-Max : 131 072 tokens vs Dessa : non applicable, car la sortie est audio.

• Modalité — Qwen3.8-Max : texte, image et vidéo en entrée, texte en sortie, contre Dessa : audio en entrée, audio en sortie.

• Score indépendant — Qwen3.8-Max 45 sur l'Artificial Analysis Intelligence Index, contre aucun pour Dessa.

• Benchmarks du fournisseur — Qwen3.8-Max GPQA Diamond 92,6, OSWorld 86,1 contre Dessa, aucune donnée quantitative avancée.

• Disponibilité — Qwen3.8-Max, une API payante depuis août 2026, contre Dessa, une liste d'attente et un petit aperçu réservé aux chercheurs en sécurité.

• Licence — Qwen3.8-Max, une API commerciale hébergée, avec une publication distincte à poids ouverts selon ses propres conditions, tandis que Dessa n'a publié aucune licence.

On entend, on lit

L’écart de modalité est ce qui se perd dans une comparaison de spécifications. Qwen3.8-Max accepte le texte, les images et la vidéo, et produit du texte. L’audio ne fait pas partie de ses modalités d’entrée et il ne produit pas du tout d’audio ; aucun modèle de la gamme Qwen3.8 n’est un modèle parole-parole.

Cela signifie qu’un produit vocal construit sur Qwen3.8-Max est nécessairement un pipeline : la reconnaissance vocale transforme l’audio de l’appelant en texte, Qwen3.8-Max raisonne sur ce texte, et la synthèse vocale retransforme la réponse en audio. Chaque étape est un fournisseur distinct, un mode de défaillance distinct et une ligne distincte sur la facture. Le pipeline fonctionne — c’est ainsi que la plupart des agents vocaux en production aujourd’hui sont construits — mais il a un coût structurel que l’architecture de Dessa est conçue pour éliminer.

L’avantage structurel de Dessa n’est pas l’intelligence. C’est qu’il n’y a aucune transcription sur laquelle s’engager. Un pipeline doit décider quand vous avez fini de parler avant de pouvoir répondre ; un modèle duplex, non. C’est pourquoi les démos de Block peuvent montrer chevauchement et interruption, et pourquoi un pipeline doit simuler ces comportements avec de la détection de fin de parole et une logique d’interruption qui annule le synthétiseur en plein mot.

Ce que coûte réellement un agent vocal en direct sur Qwen3.8-Max

L’arithmétique est plus rassurante que ne le laisse penser la grille tarifaire. Une conversation parlée de dix minutes représente environ 1 500 mots, soit environ 2 000 tokens d’entrée une fois le prompt système et l’historique de conversation inclus. Une réponse de longueur similaire représente environ 1 000 tokens de sortie si l’agent est concis. À 2,00 $ et 6,00 $ par million, cela fait 0,004 $ d’entrée et 0,006 $ de sortie — environ un centime de coût de modèle de langage par appel de dix minutes.

À 10 000 appels par jour, la facture du modèle de langage s’élève à environ 100 $ par jour, soit environ 3 000 $ par mois. Ce n’est pas rien, mais c’est presque certainement inférieur à la facture de reconnaissance et de synthèse vocales pour le même volume, et inférieur au coût d’ingénierie de la couche d’orchestration. L’intuition selon laquelle la voix coûte cher parce que les tokens coûtent cher est fausse aux prix actuels. La voix coûte cher parce que l’audio en entrée et l’audio en sortie coûtent cher, et parce que la latence du pipeline est la somme de ses étapes.

Un contexte d’un million de jetons change ce que l’agent peut retenir. Un appel de dix minutes est une erreur d’arrondi au regard de cette fenêtre, ce qui signifie que le système peut contenir la transcription complète, le dossier du client et un document de politique à la fois, sans récupération. C’est une capacité pour laquelle Dessa n’a pas du tout d’interface — un modèle uniquement vocal ne peut pas lire le document de politique.

Le budget de latence est le point où les architectures divergent.

Dans un pipeline, l'utilisateur cesse de parler, le moteur de reconnaissance attend un point de fin de parole, le modèle de langage produit un premier token, et le synthétiseur produit le premier audio. Le streaming de chaque étape en masque une partie, mais la chaîne conserve un plancher de latence, et l'interruption (barge-in) implique de démonter le synthétiseur et de redémarrer le moteur de reconnaissance. Le résultat est le rythme familier de l'assistant vocal : une pause, puis une réponse, puis une pause.

Dessa affirme que le rythme disparaît parce qu’il n’y a pas de chaîne. Block affirme que l’inférence s’exécute plus vite que le temps réel sur un MacBook Pro M4 Max, ce qui — si c’est vrai — signifie que le modèle n’est pas le goulot d’étranglement. Mais l’entreprise ne publie aucun chiffre de latence en millisecondes, aucun taux de récupération après interruption et aucune mesure dans des conditions de réseau ou de bruit de fond. « Plus rapide que le temps réel » est une affirmation de débit, pas de réactivité. Un modèle peut générer de l’audio plus vite que la lecture et mettre malgré tout 800 millisecondes à réagir à une interruption.

Pour une équipe produit, ce chiffre manquant est tout l’enjeu. La raison d’adopter un modèle duplex tient au calendrier. Un fournisseur qui refuse de publier son calendrier n’a pas encore fait la démonstration.

Disponibilité, routage et ce que vous pouvez faire le lundi

Qwen3.8-Max figure au catalogue OrcaRouter, ce qui signifie qu'il est accessible avec la même clé que les autres modèles parmi les plus de 200 que nous routons, sans marge — le prix catalogue du fournisseur est répercuté tel quel — avec bascule automatique entre fournisseurs. Si Alibaba modifie le tarif, la modification est effective de notre côté le jour même, car il n'y a pas de couche de marge à réajuster. Le DSL de routage peut combiner Qwen3.8-Max avec un modèle moins cher pour l'essentiel d'une transcription et réserver le modèle phare pour l'étape de raisonnement ; la fusion de modèles peut faire tourner un panel de modèles sur la même question lorsque la réponse compte plus que la facture.

Il existe des modèles moins chers dans la même famille si le modèle phare dépasse les besoins de la tâche. Qwen3.8-27B figure dans notre catalogue à 0,33 $ en entrée et 2,40 $ en sortie par million de tokens, et Qwen3.8-Flash à 0,15 $ et 0,47 $. Pour un agent vocal dont le coût du modèle de langage est déjà d'environ un centime par appel, le modèle phare est abordable ; les paliers moins chers sont pertinents à plus fort volume ou pour des tours de conversation plus simples.

Dessa ne figure pas dans notre catalogue et nous ne l'hébergeons pas. La page de Block propose une liste d'attente et un accès anticipé pour un petit groupe de chercheurs en sécurité. Il n'y a aucune API vers laquelle router, aucun prix à répercuter, et aucun point de terminaison vers lequel basculer en cas de défaillance.

Quand Dessa changerait la réponse

Si Block propose une API à un prix plausible, la comparaison cesse de porter sur les jetons et commence à porter sur les minutes. La bonne métrique serait le coût par minute de conversation naturelle, y compris la reconnaissance et la synthèse vocales que Dessa élimine. Sur cette métrique, un modèle duplex, même à quelques centimes par minute, pourrait battre un pipeline dont les étapes audio coûtent plus cher que son modèle de langage.

La seconde condition est la qualité. Un modèle duplex qui est agréable pendant trente secondes et confus au bout de cinq minutes est pire qu’un pipeline plus lent mais fiable. Les démos de Block sont trop courtes et trop travaillées pour répondre à cela, et les questions ouvertes de l’entreprise — rétention des faits, apprentissage des langues, apprentissage en contexte — sont exactement celles qui déterminent si une longue conversation tient ensemble.

Que faire maintenant

Construisez le produit vocal sur le pipeline, car c’est le seul à disposer d’un prix et d’un contrat. Utilisez un moteur de reconnaissance et un moteur de synthèse performants, placez Qwen3.8-Max au milieu, là où s’effectue le raisonnement, et gardez la couche de modèle de langage interchangeable afin que la partie coûteuse puisse être déplacée lorsque les prix évoluent. Surveillez ensuite les deux chiffres qui justifieraient une reconstruction autour d’un modèle duplex : une valeur de latence publiée et un prix à la minute.

La comparaison en une ligne : Qwen3.8-Max est ce que vous pouvez acheter aujourd’hui, et Dessa est ce que vous pourriez vouloir acheter demain. L’écart entre les deux n’est pas une question d’intelligence. C’est une grille tarifaire, un point de terminaison et un benchmark — trois choses que Block n’a pas encore publiées, et trois choses qu’Alibaba publie pour gagner sa vie.