Dessa milik Block Dilatih Hanya dengan Ucapan — Inilah yang Tidak Dibuktikan oleh Demo-Demo Itu

Block menerbitkan lebih dari selusin rekaman percakapan dan tidak satu pun angka benchmark. Rasio itu adalah hal paling informatif tentang Dessa, model ucapan dupleks penuh yang diumumkan perusahaan Jack Dorsey pada 23 Oktober 2026. Dessa dilatih dari awal pada percakapan manusia, tanpa teks dan tanpa model yang telah dilatih sebelumnya, dan ia melakukan sesuatu yang benar-benar tidak biasa: ia mendengarkan dan berbicara pada saat yang sama, audio masuk dan audio keluar, tanpa langkah transkripsi di tengahnya. Hingga saat tulisan ini dibuat, ini juga merupakan pratinjau riset di balik daftar tunggu tanpa jumlah parameter, tanpa API, tanpa harga, tanpa bobot, dan tanpa evaluasi yang dipublikasikan. Demo-demo tersebut adalah seluruh basis bukti publik.

Itu tidak membuat pengumuman tersebut kosong. Model ucapan yang mempelajari bahasa tanpa korpus teks menyerang asumsi yang sebagian besar industri telah berhenti mempertanyakan — bahwa teks adalah tempat pengetahuan berada dan ucapan hanyalah antarmuka tipis di atasnya. Namun, jarak antara "demo-demonnya mengejutkan" dan "kita tahu apa yang bisa dilakukan model ini" sangat lebar, dan halaman Block sendiri lebih terbuka tentang jarak itu daripada kebanyakan posting peluncuran. Kalimat yang paling berperan panjangnya empat kata: "sejauh yang kita tahu."

Apa yang sebenarnya Block pasang di halaman itu

Dengan menyingkirkan kata sifat, catatan yang terkonfirmasi menjadi singkat. Semua yang di bawah ini berasal dari pengumuman Block sendiri atau pernyataan publik perusahaan; tidak ada satu pun di sini yang telah diverifikasi secara independen.

• Rilis — diumumkan pada 23 Oktober 2026 sebagai pratinjau riset, bukan produk yang tersedia secara umum.

• Bentuk — ucap-ke-ucap end-to-end: audio masuk, audio keluar, dupleks penuh, tanpa perantara teks.

• Pelatihan — dari nol hanya dengan percakapan manusia. Block menyatakan tidak ada data teks dan tidak ada model praterlatih yang digunakan.

• Komputasi — pelatihan dijalankan pada satu rak NVIDIA GB200 NVL72, menurut perusahaan.

• Inferensi lokal — Block mengklaim ini berjalan lebih cepat daripada waktu nyata pada MacBook Pro M4 Max "atau lebih baik".

• Akses — akses awal untuk "sekelompok kecil peneliti keselamatan AI" yang mendaftar dengan email institusional, ditambah daftar tunggu publik. Halaman tersebut menyebutkan tautan peluncuran akan segera hadir.

• Tidak ada — jumlah parameter, panjang konteks, ukuran dataset atau jam audio, durasi pelatihan, latensi dalam milidetik, skor benchmark, lisensi, harga, bobot, dan dokumentasi API apa pun.

Tim ini adalah kelompok riset kecil di dalam Block yang dipimpin oleh Ragavan Thurairatnam, dibangun di sekitar mantan anggota startup Toronto Dessa yang diakuisisi Block pada 2020, dan melapor langsung kepada Dorsey. Latar belakang itu penting untuk membaca pengumuman tersebut: ini adalah laboratorium dengan sejarah delapan tahun di bidang ucapan generatif, bukan perusahaan pembayaran yang menempelkan demo pada peta jalan produk. Hal itu juga menjelaskan mengapa rilis tersebut tampak seperti artefak riset ketimbang peluncuran produk — karena memang begitulah adanya.

Full-duplex adalah bagian yang perlu dipahami

Sebagian besar asisten suara bekerja seperti walkie-talkie. Sistem menunggu Anda berhenti, memutuskan bahwa Anda sudah selesai, mentranskripsikan, berpikir, menyintesis balasan, lalu memutarnya. Setiap batas tersebut dapat terdengar. Anda belajar menunggu bunyi bip, dan model tidak belajar apa pun dari setengah detik saat Anda hampir berbicara tetapi berubah pikiran.

Dupleks penuh adalah model panggilan telepon. Model itu mendengarkan sambil berbicara, sehingga dapat disela di tengah kalimat, dapat menyela dengan "yeah" atau "got it" saat Anda berbicara, dan dapat menyesuaikan waktunya dengan waktu Anda. Demo-demo Block sangat bergantung pada hal ini: Dessa tertawa di tengah kalimatnya sendiri, menaikkan volumenya saat diminta, menyelesaikan judul film yang telah dilupakan pembicara, dan tersentak saat pengungkapan hari jadi. The Verge, yang mendengarkan klip yang sama, menggambarkan percakapan itu sebagai "a little awkward and uncanny" dan menyoroti salah satu percakapan ketika Dessa memanggil lawan bicaranya "Ronaldo".

Kedua reaksi itu bisa sama-sama benar. Full-duplex adalah properti interaksi, bukan properti kecerdasan. Sebuah model bisa memiliki giliran bicara yang sempurna tetapi tidak ada hal menarik untuk dikatakan, atau jawaban brilian yang disampaikan dengan timing mesin faks. Yang ditunjukkan oleh demo-demo tersebut adalah bahwa Block telah membangun sesuatu yang berperilaku seperti seorang peserta. Yang tidak dapat ditunjukkan adalah seberapa sering ia berperilaku seperti itu ketika tidak ada yang memilih klipnya.

Apa yang diperoleh dari pelatihan hanya dengan ucapan, dan apa biayanya

Argumen yang mendukung pelatihan berbasis ucapan saja adalah bahwa teks membuang hampir semua yang dibawa oleh sebuah percakapan. Transkrip dari "fine" hanyalah satu kata. Audionya adalah desahan, jeda, penurunan nada, dan keputusan tentang apakah akan bertanya lagi. Motif keselamatan yang dinyatakan Block mengikuti dari itu: sistem suara yang tidak dapat mendengar kesusahan tuli terhadap justru sinyal yang penting dalam panggilan dukungan atau saluran krisis.

Biayanya sama-sama struktural. Model bahasa besar memperoleh cakupan faktual, kode, keluaran terstruktur, dan pemanggilan alatnya dari teks. Model yang dilatih hanya pada ucapan tidak memiliki antarmuka bawaan untuk PDF, skema JSON, atau panggilan API. Block mengakui pertanyaan-pertanyaan terbuka di halamannya sendiri: seberapa efisien model khusus ucapan mempelajari fakta dan bahasa dibandingkan model teks, dan apakah pembelajaran dalam konteks tetap bertahan tanpa prapelatihan teks. Itu bukan catatan kaki. Itu adalah perbedaan antara agen percakapan yang menarik dan asisten serba guna.

Ada posisi yang bisa dipertahankan di tengah-tengah: model yang native untuk ucapan tidak perlu membaca spreadsheet Anda jika dipasangkan dengan sesuatu yang bisa melakukannya. Namun itu adalah argumen arsitektur yang belum diajukan Block, dan pratinjau saat ini tidak mengekspos antarmuka apa pun yang memungkinkan pemasangan semacam itu terjadi.

Basis buktinya adalah reel demo yang dikurasi.

Block mengatakan klip tersebut adalah rekaman langsung, tidak ada yang mengarahkan model, dan subtitle ditambahkan setelahnya. Itu praktik yang baik dan menyingkirkan bentuk paling kasar dari penipuan demo. Namun itu tidak menyingkirkan seleksi. Tim yang merekam banyak percakapan dan menerbitkan yang terbaik telah memberi tahu Anda bahwa percakapan yang baik itu ada, yang bukan klaim yang sama dengan "model ini andal."

Hal yang diperlukan untuk evaluasi independen itu spesifik, dan layak dicatat sekarang agar pengumuman berikutnya dapat diukur terhadapnya:

• Kumpulan percakapan held-out dengan prompt yang dipublikasikan, bukan sorotan yang dipilih.

• Latensi respons diukur dari ujung ke ujung, termasuk waktu hingga reaksi pertama yang dapat didengar, bukan sekadar "lebih cepat daripada waktu nyata."

• Pemulihan setelah interupsi: seberapa sering model kehilangan alur setelah terputus, dan seberapa cepat model masuk kembali.

• Kejelasan ucapan dalam kondisi bising, yaitu aspek yang biasanya paling dulu gagal pada sistem wicara.

• Anggaran komputasi dan data yang dinyatakan, sehingga klaim "ratusan kali lebih sedikit kata" dapat diperiksa terhadap sesuatu.

• Sejumlah tingkat retensi faktual, karena itulah trade-off eksplisit dari penghilangan teks.

Belum satu pun dari semua ini ada. Itu normal untuk pratinjau dan tidak normal untuk peluncuran, itulah sebabnya label yang tepat untuk Dessa saat ini adalah "hasil riset dengan halaman demo yang luar biasa bagus."

Klaim perangkat keras adalah yang paling tidak mencolok.

Dua angka perangkat keras ada di halaman itu dan keduanya belum diperiksa. Yang pertama adalah bahwa pelatihan menggunakan satu GB200 NVL72 — satu rak yang menampung 72 GPU Blackwell. Jika benar, itu adalah klaim efisiensi data yang mencolok: sebuah model yang mampu melakukan percakapan, dilatih di satu rak, di bidang di mana model teks terdepan dilatih dengan puluhan ribu akselerator. Ini juga jenis klaim yang sepenuhnya bergantung pada skala: satu rak untuk berapa lama, pada berapa jam audio, dengan berapa banyak parameter?

Yang kedua adalah bahwa inferensi berjalan lebih cepat daripada waktu nyata di MacBook Pro M4 Max. M4 Max kelas atas memiliki 128 GB memori terpadu, jadi model yang muat dengan nyaman di sana tidaklah sangat besar menurut standar modern. Itu adalah inferensi, bukan pengungkapan. Block belum menerbitkan ukuran, kuantisasi, jejak memori, atau angka token per detik, sehingga klaim tentang laptop itu tidak dapat direproduksi, hanya bisa diulang.

Inilah tempat di mana pembaca teknis seharusnya merasakan ketiadaan itu paling tajam. Segala hal tentang kepraktisan model — biaya per percakapan, apakah model dapat berjalan di ponsel, apakah sebuah API bisa suatu saat murah — mengikuti dari sebuah angka yang dipilih Block untuk tidak dipublikasikan.

Mengapa akses dibatasi, dan mengapa itu penting bagi evaluasi

Alasan yang dinyatakan Block untuk membangun Dessa adalah rasa ingin tahu, pemahaman yang lebih baik tentang interaksi manusia–AI, dan keamanan. Gerbang itu konsisten dengan alasan ketiga: suara yang membaca emosi dan bercakap-cakap dengan meyakinkan adalah alat penyamaran yang siap pakai, dan cara tercepat untuk menghindari judul berita buruk adalah menjaganya tetap di ruangan kecil.

Komprominya adalah bahwa akses terbatas dan evaluasi independen menarik ke arah yang berlawanan. Sekelompok kecil peneliti keselamatan mungkin saja menghasilkan hasil red-team yang paling berguna, tetapi hasil itu akan datang sesuai tenggat Block dan, dalam banyak kasus, di bawah tinjauan Block. Sampai kelompok luar menerbitkan angka, catatan publik terdiri dari klip vendor ditambah kesan jurnalis terhadap klip vendor tersebut. Itu menjadi dasar yang tipis untuk frasa "melampaui apa pun dalam ekspresi emosional," yang merupakan klaim tentang perbandingan yang belum pernah dilakukan siapa pun.

Apa yang akan menjadikan ini sebuah produk?

Empat hal, kira-kira menurut urutan kepentingan. File harga atau bobot, karena salah satunya memberi tahu Anda siapa yang bisa memakainya. API atau SDK, karena model yang tidak bisa Anda panggil hanyalah sebuah makalah. Benchmark atau evaluasi independen, karena "paling autentik" bukanlah sebuah metrik. Dan angka latensi dalam milidetik, karena seluruh nilai full-duplex adalah soal waktu, dan waktu adalah satu hal yang tidak bisa disampaikan oleh klip video.

Salah satu saja dari hal-hal itu akan mengubah cara artikel ini seharusnya dibaca. Keempatnya akan menjadikannya sebuah peluncuran.

Jika Anda membutuhkan agen suara sebelum itu

Tumpukan praktis untuk agen suara produksi masih berupa pengenalan suara, lalu model bahasa, lalu sintesis suara. Setiap tahap menambah latensi dan setiap vendor merupakan kontrak terpisah. OrcaRouter adalah lapisan tengah: satu API di depan 200+ model, dengan markup 0% — harga daftar penyedia diteruskan apa adanya — failover otomatis antarpenyedia, DSL perutean yang dapat menyusun beberapa model menjadi satu panggilan, dan fusi model saat Anda ingin panel model menjawab bersama-sama. Itu tidak mengubah walkie-talkie menjadi panggilan telepon; itu menghilangkan satu integrasi dari rantai selagi model dupleks menjadi matang.

Untuk memperjelas apa yang tidak kami miliki: Dessa tidak ada dalam katalog OrcaRouter, dan tidak ada apa pun dalam artikel ini yang boleh ditafsirkan sebagai penawaran untuk menyediakannya. Ketika Block merilis API, lapisan perutean adalah tempat model seperti ini layak dibandingkan berdasarkan harga per menit percakapan daripada per token.

Apa yang harus ditonton

Klaim yang layak ditanggapi dengan serius bukanlah "yang pertama." Klaim itu adalah bahwa bahasa mungkin dapat dipelajari dari ucapan dengan data ratusan kali lebih sedikit, dan bahwa model yang dihasilkan mungkin memahami percakapan dengan cara yang tidak pernah bisa dilakukan oleh transkrip. Jika Block menerbitkan makalah dengan anggaran data, jumlah parameter, dan evaluasi held-out, klaim itu menjadi dapat diuji. Jika pengumuman berikutnya hanyalah sekumpulan klip lain, pertanyaan yang menarik masih akan terbuka — dan daftar tunggu masih akan menjadi satu-satunya pintu masuk.