La Dessa di Block è stata addestrata solo sul parlato — ecco cosa non dimostrano le demo

Block ha pubblicato più di una dozzina di registrazioni di conversazioni e nemmeno un numero di benchmark. Questo rapporto è la cosa più informativa su Dessa, il modello vocale full-duplex che l'azienda di Jack Dorsey ha annunciato il 23 ottobre 2026. Dessa è addestrato da zero sulle conversazioni umane, senza testo e senza modelli preaddestrati, e fa qualcosa di davvero insolito: ascolta e parla allo stesso tempo, audio in ingresso e audio in uscita, senza alcuna fase di trascrizione nel mezzo. È anche, al momento in cui scriviamo, un'anteprima di ricerca dietro una lista d'attesa, senza numero di parametri, senza API, senza prezzo, senza pesi e senza valutazione pubblicata. Le demo sono l'intera base di prove pubbliche.

Ciò non rende vuoto l'annuncio. Un modello vocale che impara la lingua senza un corpus testuale attacca un presupposto che gran parte del settore ha smesso di mettere in discussione: che il testo sia il luogo in cui risiede la conoscenza e che la voce sia una sottile interfaccia al di sopra di esso. Ma il divario tra «le demo sono sconcertanti» e «sappiamo cosa può fare questo modello» è ampio, e la pagina di Block stessa è più franca su questo divario rispetto alla maggior parte dei post di lancio. La frase che fa il lavoro più importante è lunga quattro parole: «per quanto ne sappiamo».

Cosa ha effettivamente messo Block sulla pagina

Togli gli aggettivi e il quadro confermato è breve. Tutto ciò che segue proviene dall'annuncio di Block stesso o dalle dichiarazioni pubbliche dell'azienda; nulla qui è stato verificato in modo indipendente.

• Rilascio — annunciato il 23 ottobre 2026 come anteprima di ricerca, non come prodotto generalmente disponibile.

• Forma — speech-to-speech end-to-end: audio in ingresso, audio in uscita, full-duplex, nessun intermedio testuale.

• Addestramento — da zero solo su conversazioni umane. Block afferma che non sono stati utilizzati dati testuali né modelli preaddestrati.

• Calcolo — secondo l'azienda, l'addestramento è stato eseguito su un singolo rack NVIDIA GB200 NVL72.

• Inferenza locale — Block afferma che viene eseguita più rapidamente del tempo reale su un MacBook Pro M4 Max «o superiore».

• Accesso — accesso anticipato per "un piccolo gruppo di ricercatori sulla sicurezza dell'IA" che fanno domanda con un'email istituzionale, più una lista d'attesa pubblica. La pagina dice che i link di lancio arriveranno presto.

• Mancante — numero di parametri, lunghezza del contesto, dimensione del dataset o ore di audio, durata dell'addestramento, latenza in millisecondi, punteggi di benchmark, licenza, prezzo, pesi e qualsiasi documentazione API.

Il team è un piccolo gruppo di ricerca all’interno di Block guidato da Ragavan Thurairatnam, costruito attorno a ex membri della startup di Toronto Dessa che Block ha acquisito nel 2020, e riporta direttamente a Dorsey. Questa discendenza conta per leggere l’annuncio: questo è un laboratorio con una storia di otto anni nel parlato generativo, non una società di pagamenti che appiccica una demo a una roadmap di prodotto. Spiega anche perché il rilascio sembra un artefatto di ricerca anziché il lancio di un prodotto — perché lo è.

La parte che vale la pena capire è il full-duplex

La maggior parte degli assistenti vocali funziona come un walkie-talkie. Il sistema aspetta che tu ti fermi, decide che hai finito, trascrive, pensa, sintetizza una risposta e la riproduce. Ognuno di questi confini è udibile. Impari ad aspettare il bip, e il modello non impara nulla dal mezzo secondo in cui stavi per parlare ma hai cambiato idea.

Il full-duplex è il modello della telefonata. Il modello ascolta mentre parla, quindi può essere interrotto a metà frase, può interloquire con un "sì" o un "capito" mentre parli, e può adattare i suoi tempi ai tuoi. Le demo di Block si basano molto su questo: Dessa ride nel mezzo della propria frase, alza il volume quando glielo si chiede, completa il titolo di un film che l'interlocutore ha dimenticato e sussulta davanti alla rivelazione di un anniversario. The Verge, che ha ascoltato gli stessi clip, ha descritto le conversazioni come "un po' imbarazzanti e inquietanti" e ha segnalato un caso in cui Dessa chiama il suo interlocutore "Ronaldo".

Entrambe le reazioni possono essere vere. Il full-duplex è una proprietà dell'interazione, non dell'intelligenza. Un modello può avere un'alternanza dei turni impeccabile e non avere nulla di interessante da dire, oppure una risposta brillante consegnata con i tempi di una macchina fax. Ciò che le demo dimostrano è che Block ha costruito qualcosa che si comporta come un partecipante. Ciò che non possono dimostrare è con quale frequenza si comporti così quando nessuno sta selezionando la clip.

Che cosa si guadagna addestrando solo sul parlato, e quanto costa

L'argomento a favore dell'addestramento solo vocale è che il testo getta via quasi tutto ciò che una conversazione porta con sé. La trascrizione di un "bene" è una parola sola. L'audio è un sospiro, una pausa, un calo di tono e una decisione su se chiedere di nuovo. Il motivo di sicurezza dichiarato da Block discende da questo: un sistema vocale che non riesce a sentire il disagio è sordo proprio al segnale che conta in una chiamata di assistenza o in una linea di crisi.

Il costo è altrettanto strutturale. I modelli linguistici di grandi dimensioni ricavano la loro copertura fattuale, il loro codice, il loro output strutturato e il loro tool calling dal testo. Un modello addestrato solo sul parlato non ha un'interfaccia nativa per un PDF, uno schema JSON o una chiamata API. Block ammette le questioni aperte sulla propria pagina: con quanta efficienza un modello solo parlato apprende fatti e lingue rispetto a un modello testuale, e se l'apprendimento in contesto sopravvive senza pretraining testuale. Non sono note a piè di pagina. Sono la differenza tra un agente conversazionale convincente e un assistente di uso generale.

Esiste una posizione difendibile nel mezzo: un modello nativo del parlato non ha bisogno di leggere il tuo foglio di calcolo se è abbinato a qualcosa che lo fa. Ma è un argomento architetturale che Block non ha ancora avanzato, e l'anteprima attuale non espone alcuna interfaccia tramite cui un simile abbinamento potrebbe avvenire.

La base di prove è un reel dimostrativo curato

Block afferma che le clip sono registrazioni dal vivo, che nessuno guida il modello e che i sottotitoli sono stati aggiunti in seguito. Sono buone pratiche e escludono la forma più grezza di frode nella demo. Non escludono la selezione. Un team che registra molte conversazioni e pubblica le migliori ti ha detto che esistono buone conversazioni, il che non equivale all'affermazione "questo modello è affidabile".

Quello che servirebbe a una valutazione indipendente è specifico e vale la pena annotarlo ora, così che il prossimo annuncio possa essere misurato su di esso:

• Un set di conversazioni tenuto da parte con prompt pubblicati, non una selezione di momenti salienti.

• Latenza di risposta misurata end-to-end, includendo il tempo fino alla prima reazione udibile, non solo "più veloce del tempo reale".

• Recupero dopo un'interruzione: con quale frequenza il modello perde il filo dopo essere stato interrotto e con quale rapidità riprende.

• Intelligibilità in presenza di rumore, che è l'ambito in cui i sistemi vocali di solito falliscono per primi.

• Un budget dichiarato di calcolo e dati, così che l’affermazione «centinaia di volte meno parole» possa essere verificata rispetto a qualcosa.

• Una qualche misura di ritenzione dei fatti, poiché è il compromesso esplicito dell’eliminare testo.

Nessuno di questi esiste ancora. È normale per un'anteprima e anormale per un lancio, ed è per questo che l'etichetta corretta per Dessa oggi è "risultato di ricerca con una pagina demo insolitamente buona".

L'affermazione sull'hardware è quella silenziosa

Sulla pagina compaiono due numeri hardware e nessuno dei due è stato verificato. Il primo è che l'addestramento ha utilizzato un GB200 NVL72 — un singolo rack che ospita 72 GPU Blackwell. Se vero, è un'affermazione sorprendente sull'efficienza dei dati: un modello che sostiene una conversazione, addestrato su un singolo rack, in un campo in cui i modelli testuali di frontiera vengono addestrati su decine di migliaia di acceleratori. È anche il tipo di affermazione che dipende interamente dalla scala: un rack per quanto tempo, su quante ore di audio, con quanti parametri?

Il secondo è che l'inferenza viene eseguita più velocemente del tempo reale su un MacBook Pro M4 Max. Un M4 Max di fascia alta dispone di 128 GB di memoria unificata, quindi un modello che vi entra comodamente non è enorme secondo gli standard moderni. Questa è una deduzione, non una divulgazione. Block non ha pubblicato le dimensioni, la quantizzazione, l'occupazione di memoria né il dato sui token al secondo, quindi l'affermazione sul laptop non può essere riprodotta, solo ripetuta.

Questo è il punto in cui un lettore tecnico dovrebbe avvertire l'assenza nel modo più netto. Tutto ciò che riguarda la praticità del modello — il costo per conversazione, se può girare su un telefono, se un'API potrebbe mai essere economica — deriva da un numero che Block ha scelto di non pubblicare.

Perché l'accesso è limitato e perché questo è importante per la valutazione

Le ragioni dichiarate da Block per aver costruito Dessa sono la curiosità, una migliore comprensione dell'interazione tra esseri umani e IA e la sicurezza. La restrizione è coerente con la terza: una voce che legge le emozioni e conversa in modo convincente è uno strumento di impersonificazione bell'e pronto, e il modo più rapido per evitare un titolo negativo è tenerla chiusa in una stanza piccola.

Il compromesso è che l’accesso limitato e la valutazione indipendente tirano in direzioni opposte. Un piccolo gruppo di ricercatori sulla sicurezza può benissimo produrre i risultati di red team più utili, ma quei risultati arriveranno secondo le tempistiche di Block e, nella maggior parte dei casi, sotto la revisione di Block. Finché un gruppo esterno non pubblicherà dei numeri, la documentazione pubblica consisterà nelle clip del fornitore più le impressioni dei giornalisti sulle clip del fornitore. È una base fragile per la frase "supera qualsiasi altra cosa nell'espressione emotiva", che è un'affermazione su un confronto che nessuno ha eseguito.

Cosa lo trasformerebbe in un prodotto?

Quattro cose, più o meno in ordine di importanza. Un prezzo o un file dei pesi, perché entrambi ti dicono chi può usarlo. Un'API o un SDK, perché un modello che non puoi chiamare è un paper. Un benchmark o una valutazione indipendente, perché "il più autentico" non è una metrica. E un dato di latenza in millisecondi, perché tutto il valore del full-duplex è il timing, e il timing è l'unica cosa che una clip video non può trasmettere.

Uno qualsiasi di questi cambierebbe il modo in cui questo articolo dovrebbe essere letto. Tutti e quattro lo trasformerebbero in un lancio.

Se hai bisogno di un agente vocale prima di allora

Lo stack pratico per un agente vocale di produzione è ancora riconoscimento vocale, poi un modello linguistico, poi sintesi vocale. Ogni passaggio aggiunge latenza e ogni fornitore è un contratto separato. OrcaRouter è lo strato intermedio: un'unica API davanti a 200+ modelli, con 0% di ricarico — il prezzo di listino del provider trasferito così com'è — failover automatico tra provider, un DSL di routing che può comporre più modelli in un'unica chiamata e fusione di modelli quando vuoi un panel di modelli che rispondono insieme. Questo non trasforma un walkie-talkie in una telefonata; elimina un'integrazione dalla catena mentre i modelli duplex maturano.

Per essere espliciti su ciò che non abbiamo: Dessa non è nel catalogo di OrcaRouter, e nulla in questo articolo va interpretato come un'offerta per servirlo. Quando Block rilascerà un'API, il livello di routing è il punto in cui un modello come questo varrebbe la pena di essere confrontato sul prezzo al minuto di conversazione anziché per token.

Cosa guardare

L'affermazione da prendere sul serio non è «essere primi». È che il linguaggio potrebbe essere apprendibile dal parlato con centinaia di volte meno dati, e che il modello risultante potrebbe comprendere una conversazione in un modo che una trascrizione non potrebbe mai fare. Se Block pubblica un paper con il budget di dati, il numero di parametri e una valutazione held-out, quell'affermazione diventa verificabile. Se il prossimo annuncio è un altro insieme di clip, la domanda interessante resterà aperta — e la lista d'attesa resterà ancora l'unica porta.