Dessa Voice Model: cos'è davvero l'IA esclusivamente vocale di Block e dove si inserisce in un agente vocale

"Dessa voice model" è una cosa ragionevole da cercare e difficile da trovare, perché Block non ne ha rilasciato uno. Ciò che l'azienda ha annunciato il 23 ottobre 2026 è un'anteprima di ricerca di Dessa, un modello speech-to-speech full-duplex addestrato da zero sulla conversazione umana — nessun corpus testuale, nessun modello linguistico preaddestrato, audio in ingresso e audio in uscita senza nulla nel mezzo. Non c'è API, né prezzo, né file di pesi, né benchmark, né numero di parametri. C'è anche una collisione di nomi da chiarire subito: la cantante Dessa compare negli stessi risultati di ricerca, e il nome del modello deriva da una startup di ricerca vocale di Toronto acquisita da Block nel 2020, il cui ex team ora gestisce questo progetto sotto Ragavan Thurairatnam, che riporta a Jack Dorsey.

Che cosa sia la cosa, precisamente

Dessa è un modello speech-to-speech end-to-end. Tu parli, lui ti ascolta mentre sta parlando e risponde in audio. Non c'è alcuna fase di trascrizione, alcun turno testuale né una fase di sintesi separata. Block afferma che il modello è stato addestrato interamente su conversazioni umane registrate, senza dati testuali e senza checkpoint preaddestrati, e che l'addestramento è stato eseguito su un singolo rack NVIDIA GB200 NVL72 — 72 GPU Blackwell in un unico rack — il che rappresenta una sorprendente rivendicazione di efficienza dei dati in un campo in cui i modelli testuali di frontiera vengono addestrati su decine di migliaia di acceleratori.

Accanto ad essa si collocano altre due affermazioni. Block afferma che l'inferenza viene eseguita più velocemente del tempo reale su un MacBook Pro M4 Max «o superiore»: 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 attuali. Si tratta di un'inferenza tratta da un'affermazione, non di una divulgazione: non è accompagnata da alcun dato sulla quantizzazione, sull'occupazione di memoria o sui token al secondo.

Quello che Block ha pubblicato è più di una dozzina di registrazioni di conversazioni e una serie di aggettivi. The Verge, che ha ascoltato gli stessi clip, ha descritto le conversazioni come «un po' imbarazzanti e inquietanti» e ne ha segnalata una in cui il modello chiama il suo interlocutore «Ronaldo». Nei clip selezionati da Block, Dessa ride a metà di una 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.

Perché "modello vocale" è l'espressione giusta e "da testo a voce" no

La distinzione conta più del branding. Un modello text-to-speech prende una stringa e restituisce audio: non ha idea di ciò che è stato detto prima, non può essere interrotto e non può interrompere. Un modello conversazionale nativo vocale prende audio e restituisce audio, e tutto ciò che lo fa sembrare un interlocutore — i tempi, le sovrapposizioni, i segnali di conferma, il mezzo secondo in cui stavi per parlare e hai cambiato idea — risiede nella parte che un modello TTS non possiede.

Il full-duplex è il nome tecnico della configurazione tipica di una chiamata telefonica. Il modello ascolta mentre parla, quindi può essere interrotto a metà frase e riprendere, e può intervenire mentre tu parli. Ogni assistente vocale da walkie-talkie che hai usato ha un confine udibile a ogni turno: aspetta il silenzio, decide che hai finito, trascrive, pensa, sintetizza e riproduce. Si impara ad aspettare il bip. Un modello duplex impara dal momento in cui stavi per parlare.

Questa è una proprietà dell'interazione, non dell'intelligenza. Un modello può avere un'alternanza dei turni impeccabile e non avere nulla da dire, oppure una risposta brillante consegnata con i tempi di una macchina fax. Ciò che le clip dimostrative stabiliscono è che Block ha costruito qualcosa che si comporta come un partecipante. Ciò che non possono stabilire è con quale frequenza si comporti così quando nessuno seleziona la clip.

Dove si collocherebbe in uno stack che già gestisci

L'agente vocale pratico che la maggior parte dei team utilizza oggi è una catena: riconoscimento vocale, poi un modello linguistico, poi sintesi vocale. Ogni passaggio aggiunge latenza, ogni fornitore è un contratto a sé, e la trascrizione nel mezzo è il punto in cui emozione, esitazione e interruzione vanno a morire.

L'aritmetica della latenza spiega perché i modelli duplex meritano attenzione. Nella catena, la prima risposta udibile attende che il riconoscitore finisca, che il modello linguistico produca una frase completa e che il sintetizzatore la renderizzi. Un modello duplex può iniziare una reazione udibile prima di aver deciso cosa dire — un "mm" a 200 millisecondi è una mossa conversazionale plausibile, e una mossa conversazionale plausibile è lo scopo dell'intero progetto.

In cambio, la catena ti offre tutto ciò che il modello solo vocale non ha: chiamata di strumenti, output strutturato, retrieval sui tuoi documenti e un'interfaccia nativa a JSON. Block ammette sulla propria pagina le questioni ancora aperte: quanto efficientemente un modello solo vocale apprenda fatti e lingue rispetto a un modello testuale, e se l'apprendimento in contesto sopravviva senza pretraining testuale. Non sono note a piè di pagina; sono la differenza tra un agente conversazionale convincente e un assistente general-purpose.

L'architettura difendibile nel mezzo è uno strato nativo per la voce abbinato a qualcosa in grado di leggere il tuo foglio di calcolo. È un argomento che Block non ha ancora sostenuto, e l'anteprima attuale non espone alcuna interfaccia attraverso cui tale abbinamento potrebbe avvenire.

Cosa manca, elencato in modo chiaro

L'assenza è insolitamente completa per un annuncio così visibile, quindi vale la pena annotare: numero di parametri, lunghezza del contesto, dimensione del dataset o ore di audio, durata dell'addestramento, latenza in millisecondi, punteggi dei benchmark, licenza, prezzo, pesi e documentazione API. L'accesso è in early access per un piccolo gruppo di ricercatori sulla sicurezza dell'IA che fanno domanda con un'email istituzionale, più una lista d'attesa pubblica con link di lancio descritti come in arrivo.

I numeri mancanti non hanno tutti la stessa importanza. Un prezzo o un file dei pesi ti dice chi può usarlo. Un'API o un SDK è la differenza tra un modello e un paper. Una cifra di latenza in millisecondi è l'unica cosa che una clip video, per sua struttura, non può comunicare, e per un modello duplex il tempismo è il prodotto. Un benchmark è il meno urgente dei quattro, perché non esiste alcun benchmark per la sovrapposizione conversazionale di cui qualcuno si fidi.

Come valutare un modello vocale per il tuo specifico caso d'uso

Se stai aspettando l'accesso — o stai valutando un altro modello nativamente vocale già disponibile sul mercato — queste sono le misurazioni che stabiliscono se è adatto alla produzione. Oggi nessuna di esse è pubblicata per Dessa, ed è per questo che vale la pena conservare questa lista.

• Set di conversazioni tenute da parte con prompt pubblicati, non una selezione dei momenti migliori. Un team che registra molte conversazioni e pubblica le migliori ti ha detto che esistono buone conversazioni; non è la stessa affermazione dell'affidabilità.

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

• Recupero dalle interruzioni — con quale frequenza il modello perde il filo dopo essere stato interrotto e con quale rapidità riprende.

• Intelligibilità in condizioni di rumore, che è il punto in cui i sistemi vocali di solito falliscono per primi e in cui ogni demo tace.

• Ritenzione fattuale, poiché è il compromesso esplicito della rimozione di testo dall'addestramento.

Cosa fare oggi

Per tutto ciò che deve funzionare nel prossimo trimestre, lo stack è ancora riconoscitore, modello linguistico, sintetizzatore, e quello stack può già essere assemblato tramite un unico endpoint: OrcaRouter instrada oltre 200 modelli su un'unica chiave al prezzo di listino del provider con 0% di markup, con failover automatico tra provider, un DSL di routing in grado di comporre più modelli in un'unica chiamata e la fusione di modelli quando si vuole un panel che risponda insieme. Questo non trasforma un walkie-talkie in una telefonata. Rimuove un'integrazione dalla catena mentre i modelli duplex maturano.

Per essere espliciti su ciò che non è disponibile: Dessa non figura nel catalogo OrcaRouter, e nulla di quanto segue costituisce un'offerta per servirla. Quando Block rilascerà un'API, il livello di routing è l'ambito in cui un modello come questo andrebbe confrontato sul prezzo al minuto di conversazione anziché per token — una metrica che attualmente non esiste su alcun listino prezzi, e quella sulla base della quale questa categoria finirà per essere acquistata.

Il riepilogo onesto

Dessa è un autentico risultato di ricerca, con una pagina demo insolitamente curata, frutto del lavoro di un team con otto anni di attività nel campo della voce, rilasciato come anteprima anziché come prodotto. La tesi interessante non è che le conversazioni suonino umane — le clip selezionate lo fanno sempre. È che un modello possa imparare a conversare dal solo audio su un singolo rack, e che il full-duplex venga trattato come assetto predefinito anziché come funzionalità.

Se regge su un set di validazione, cambia ciò su cui si costruisce un agente vocale. Fino ad allora, l'etichetta giusta è quella che è: non un modello vocale che puoi chiamare, ma un segnale chiaro su dove sta andando lo stack.

Nota sulle fonti: ogni affermazione su Dessa in questo articolo — l'annuncio del 23 ottobre 2026, l'addestramento solo vocale, il singolo rack GB200 NVL72, l'affermazione sul MacBook Pro M4 Max, il percorso di accesso alla research preview, le cifre mancanti, l'acquisizione del 2020 e la formula cautelativa «per quanto ne sappiamo» — proviene dall'annuncio di Block stesso e dalle dichiarazioni pubbliche dell'azienda, lette il 26 ottobre 2026, e non è stata verificata in modo indipendente. La descrizione «goffo e inquietante» e il dettaglio «Ronaldo» sono di The Verge, dalla sua copertura degli stessi clip. I cinque criteri di valutazione e l'argomentazione sulla latenza sono nostri. La descrizione di routing, prezzi e failover di OrcaRouter corrisponde al comportamento pubblicato del nostro prodotto.