Dessa Voice Model: Apa Sebenarnya AI Khusus Suara dari Block, dan Di Mana Posisinya dalam Agen Suara

“Dessa voice model” adalah hal yang wajar untuk dicari dan sulit ditemukan, karena Block belum merilisnya. Yang diumumkan perusahaan pada 23 Oktober 2026 adalah pratinjau riset Dessa, model ucapan-ke-ucapan dupleks penuh yang dilatih dari nol menggunakan percakapan manusia — tanpa korpus teks, tanpa model bahasa terlatih sebelumnya, audio masuk dan audio keluar tanpa apa pun di antaranya. Tidak ada API, tidak ada harga, tidak ada file bobot, tidak ada tolok ukur, dan tidak ada jumlah parameter. Ada juga tabrakan penamaan yang perlu dijelaskan lebih dulu: penyanyi Dessa muncul di hasil pencarian yang sama, dan nama model berasal dari startup riset ucapan Toronto yang diakuisisi Block pada 2020, yang tim mantannya kini menjalankan proyek ini di bawah Ragavan Thurairatnam, melapor kepada Jack Dorsey.

Apa tepatnya hal itu

Dessa adalah model ucapan-ke-ucapan end-to-end. Anda berbicara, model mendengar Anda saat model sedang berbicara, dan model menjawab dalam audio. Tidak ada langkah transkripsi, tidak ada giliran teks, dan tidak ada tahap sintesis terpisah. Block mengatakan model ini dilatih sepenuhnya pada percakapan manusia yang direkam, tanpa data teks dan tanpa checkpoint praterlatih, dan bahwa pelatihan berjalan pada satu rak NVIDIA GB200 NVL72 — 72 GPU Blackwell dalam satu rak, yang merupakan klaim efisiensi data yang mencolok di bidang di mana model teks terdepan dilatih pada puluhan ribu akselerator.

Dua klaim lain menyertainya. Block mengatakan inferensi berjalan lebih cepat daripada waktu nyata pada MacBook Pro M4 Max “atau lebih tinggi” — M4 Max kelas atas membawa 128 GB memori terpadu, jadi model yang muat dengan nyaman di sana bukanlah model yang sangat besar menurut standar saat ini. Itu merupakan inferensi dari suatu klaim, bukan pengungkapan: tidak ada angka kuantisasi, jejak memori, atau token per detik yang menyertainya.

Yang Block terbitkan adalah lebih dari selusin rekaman percakapan dan serangkaian kata sifat. The Verge, yang mendengarkan klip-klip yang sama, menggambarkan percakapan itu sebagai "agak canggung dan ganjil" dan menyoroti salah satu klip ketika model memanggil lawan bicaranya "Ronaldo". Dalam klip yang dipilih Block, Dessa tertawa di tengah kalimatnya sendiri, menaikkan volume saat diminta, menyelesaikan judul film yang telah dilupakan pembicara, dan tersentak saat pengungkapan hari jadi.

Mengapa "model suara" adalah frasa yang tepat dan "text to speech" tidak

Perbedaan itu lebih penting daripada mereknya. Model {{1}}text-to-speech{{/1}} menerima string dan mengembalikan audio: ia tidak tahu apa yang dikatakan sebelumnya, tidak bisa disela, dan tidak bisa menyela. Model percakapan yang {{2}}speech-native{{/2}} menerima audio dan mengembalikan audio, dan segala hal yang membuatnya terasa seperti peserta — {{3}}timing{{/3}}, tumpang tindih, {{4}}back-channelling{{/4}}, setengah detik ketika Anda hampir berbicara lalu berubah pikiran — hidup di bagian yang tidak dimiliki model {{5}}TTS{{/5}}.

Full-duplex adalah nama teknis untuk pengaturan panggilan telepon. Model mendengarkan sambil berbicara, sehingga dapat dipotong di tengah kalimat dan pulih, serta dapat menyela saat Anda berbicara. Setiap asisten suara walkie-talkie yang pernah Anda gunakan memiliki batas yang terdengar pada setiap giliran: ia menunggu keheningan, memutuskan bahwa Anda sudah selesai, mentranskripsikan, berpikir, menyintesis, dan memutar. Anda belajar menunggu bunyi bip. Model duplex belajar dari saat Anda hampir berbicara.

Itu adalah sifat interaksi, bukan sifat kecerdasan. Sebuah model bisa memiliki pergantian giliran yang sempurna tetapi tidak ada yang ingin dikatakan, atau jawaban brilian yang disampaikan dengan waktu seperti mesin faks. Yang ditunjukkan oleh klip demo adalah bahwa Block membangun sesuatu yang berperilaku seperti peserta. Yang tidak dapat ditunjukkan adalah seberapa sering ia berperilaku seperti itu ketika tidak ada yang memilih klipnya.

Di mana posisinya dalam stack yang sudah Anda jalankan

Agen suara praktis yang dioperasikan sebagian besar tim saat ini adalah sebuah rantai: pengenalan ucapan, lalu model bahasa, lalu sintesis ucapan. Setiap perpindahan menambah latensi, setiap vendor merupakan kontrak tersendiri, dan transkrip di tengahnya adalah tempat emosi, keraguan, serta interupsi hilang.

Penghitungan latensi menjelaskan mengapa model dupleks layak diperhatikan. Dalam rantai itu, respons terdengar pertama menunggu pengenal selesai, model bahasa menghasilkan klausa penuh, dan sintesiser merendernya. Model dupleks dapat memulai reaksi terdengar sebelum memutuskan apa yang akan dikatakan — "mm" pada 200 milidetik adalah langkah percakapan yang masuk akal, dan langkah percakapan yang masuk akal itulah tujuan seluruh rancangan.

Apa yang diberikan rantai itu sebagai gantinya adalah semua yang tidak dimiliki model hanya-suara: pemanggilan alat, keluaran terstruktur, pengambilan atas dokumen Anda, dan antarmuka native ke JSON. Block mengakui pertanyaan-pertanyaan terbuka di halamannya sendiri — seberapa efisien model hanya-suara mempelajari fakta dan bahasa dibandingkan dengan model teks, dan apakah pembelajaran dalam konteks tetap bertahan tanpa prapelatihan teks. Itu bukan catatan kaki; itu adalah perbedaan antara agen percakapan yang memikat dan asisten serbaguna.

Arsitektur yang dapat dipertahankan di bagian tengah adalah lapisan yang native terhadap ucapan yang dipasangkan dengan sesuatu yang dapat membaca spreadsheet Anda. Itu adalah argumen yang belum diajukan oleh Block, dan pratinjau saat ini tidak mengekspos antarmuka apa pun yang memungkinkan pemasangan itu terjadi.

Apa yang hilang, disebutkan secara gamblang

Ketiadaannya luar biasa menyeluruh untuk sebuah pengumuman yang begitu menonjol, jadi patut dicatat: jumlah parameter, panjang konteks, ukuran dataset atau jam audio, durasi pelatihan, latensi dalam milidetik, skor benchmark, lisensi, harga, bobot, dan dokumentasi API. Aksesnya berupa akses awal untuk sekelompok kecil peneliti keselamatan AI yang mendaftar dengan email institusi, plus daftar tunggu publik dengan tautan peluncuran yang disebutkan akan segera hadir.

Angka-angka yang hilang tidak sama pentingnya. Berkas harga atau bobot memberi tahu Anda siapa yang dapat menggunakannya. API atau SDK adalah pembeda antara sebuah model dan sebuah makalah. Angka latensi dalam milidetik adalah satu hal yang secara struktural tidak dapat disampaikan oleh klip video, dan bagi model dupleks, waktu adalah produknya. Benchmark adalah yang paling tidak mendesak di antara keempatnya, karena belum ada benchmark untuk tumpang tindih percakapan yang dipercaya siapa pun.

Cara mengevaluasi model suara untuk kasus penggunaan Anda sendiri

Jika Anda menunggu akses — atau mengevaluasi model speech-native lain yang sudah dirilis — inilah pengukuran yang menentukan apakah model itu layak masuk produksi. Tidak satu pun dari pengukuran itu dipublikasikan untuk Dessa saat ini, dan itulah sebabnya daftar ini layak disimpan.

• Kumpulan percakapan yang disisihkan dengan prompt yang dipublikasikan, bukan sorotan terpilih. Tim yang merekam banyak percakapan dan menerbitkan yang terbaik telah memberi tahu Anda bahwa percakapan yang baik itu ada; itu bukan klaim yang sama dengan keandalan.

• Latensi respons 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 ia kembali masuk ke alurnya.

• Keterpahaman dalam kondisi bising, yang merupakan area tempat sistem ucapan biasanya pertama kali gagal dan tempat setiap demo {{1}}senyap{{/1}}.

• Retensi faktual, karena itulah trade-off eksplisit dari menghilangkan teks dari pelatihan.

Apa yang harus dilakukan hari ini

Untuk apa pun yang harus berfungsi kuartal depan, tumpukannya tetap pengenal, model bahasa, penyintesis, dan tumpukan itu sudah dapat dirakit melalui satu endpoint: OrcaRouter merutekan 200+ model dengan satu kunci pada harga daftar penyedia dengan markup 0%, dengan failover otomatis antarpenyedia, DSL perutean yang dapat menyusun beberapa model menjadi satu panggilan, dan fusi model saat Anda ingin sebuah panel menjawab bersama. Itu tidak mengubah walkie-talkie menjadi panggilan telepon. Itu menghilangkan satu integrasi dari rantai selagi model dupleks matang.

Untuk memperjelas apa yang tidak tersedia: Dessa tidak ada dalam katalog OrcaRouter, dan tidak ada apa pun di sini yang merupakan penawaran untuk melayaninya. Ketika Block merilis API, lapisan perutean adalah tempat model seperti ini layak dibandingkan berdasarkan harga per menit percakapan alih-alih per token — metrik yang saat ini tidak ada di kartu tarif mana pun, dan metrik yang pada akhirnya akan menjadi dasar pembelian kategori ini.

Ringkasan yang jujur

Dessa adalah hasil penelitian yang nyata dengan halaman demo yang luar biasa bagus, dari tim yang memiliki delapan tahun pengalaman kerja di bidang ucapan, dirilis sebagai pratinjau alih-alih produk. Klaim yang menarik bukanlah bahwa percakapan terdengar seperti manusia — klip yang dikurasi selalu begitu. Yang menarik adalah bahwa sebuah model dapat mempelajari percakapan hanya dari audio pada satu rak, dan bahwa full-duplex diperlakukan sebagai pengaturan default alih-alih fitur.

Jika itu tetap bertahan pada himpunan data yang disisihkan, hal itu mengubah dari apa agen suara dibangun. Sampai saat itu, label yang tepat adalah apa adanya: bukan model suara yang bisa Anda panggil, tetapi sinyal jelas tentang ke mana stack ini menuju.

Catatan sumber: setiap klaim tentang Dessa dalam artikel ini — pengumuman 23 Oktober 2026, pelatihan hanya-ucapan, satu rak GB200 NVL72, klaim MacBook Pro M4 Max, jalur akses pratinjau riset, angka-angka yang hilang, akuisisi 2020, dan frasa lindung "sejauh yang kami tahu" — berasal dari pengumuman Block sendiri dan pernyataan publik perusahaan, yang dibaca pada 26 Oktober 2026, dan belum diverifikasi secara independen. Deskripsi "canggung dan aneh" serta detail "Ronaldo" berasal dari The Verge, dari liputannya atas klip yang sama. Lima kriteria evaluasi dan argumen latensi adalah milik kami. Deskripsi perutean, penetapan harga, dan failover OrcaRouter adalah perilaku produk kami sendiri yang telah dipublikasikan.