A Dessa da Block foi treinada apenas com fala — eis o que as demos não provam

A Block publicou mais de uma dúzia de gravações de conversas e nenhum número de benchmark. Essa proporção é a coisa mais informativa sobre a Dessa, o modelo de fala full-duplex que a empresa de Jack Dorsey anunciou em 23 de outubro de 2026. A Dessa é treinada do zero em conversas humanas, sem texto e sem modelos pré-treinados, e faz algo genuinamente incomum: ouve e fala ao mesmo tempo, áudio entra e áudio sai, sem nenhuma etapa de transcrição no meio. Ela também é, até o momento desta escrita, uma prévia de pesquisa atrás de uma lista de espera, sem contagem de parâmetros, sem API, sem preço, sem pesos e sem avaliação publicada. As demonstrações são toda a base de evidências públicas.

Isso não torna o anúncio vazio. Um modelo de fala que aprende linguagem sem um corpus de texto ataca uma premissa que a maior parte do setor parou de questionar — a de que o texto é onde o conhecimento reside e a fala é uma interface fina por cima. Mas a distância entre “as demos são surpreendentes” e “sabemos o que este modelo é capaz de fazer” é grande, e a própria página da Block é mais franca sobre essa lacuna do que a maioria dos posts de lançamento. A frase que carrega mais peso tem quatro palavras: “até onde nós sabemos”.

O que a Block realmente colocou na página

Tire os adjetivos e o histórico confirmado é curto. Tudo abaixo vem do próprio anúncio da Block ou das declarações públicas da empresa; nada aqui foi verificado de forma independente.

• Lançamento — anunciado em 23 de outubro de 2026 como uma prévia de pesquisa, e não como um produto disponível em geral.

• Forma — fala para fala de ponta a ponta: áudio de entrada, áudio de saída, duplex integral, sem texto intermediário.

• Treinamento — do zero, apenas com conversa humana. Block diz que não foram usados dados de texto nem modelos pré-treinados.

• Computação — o treinamento foi executado em um único rack NVIDIA GB200 NVL72, de acordo com a empresa.

• Inferência local — A Block afirma que roda mais rápido que o tempo real em um MacBook Pro M4 Max “ou superior”.

• Acesso — acesso antecipado para "um pequeno grupo de pesquisadores de segurança de IA" que se candidatam com um e-mail institucional, além de uma lista de espera pública. A página diz que os links de lançamento estarão disponíveis em breve.

• Ausente — contagem de parâmetros, comprimento de contexto, tamanho do conjunto de dados ou horas de áudio, duração do treinamento, latência em milissegundos, pontuações de benchmark, licença, preço, pesos e qualquer documentação da API.

A equipe é um pequeno grupo de pesquisa dentro da Block, liderado por Ragavan Thurairatnam e formado em torno de ex-membros da Dessa, startup de Toronto que a Block adquiriu em 2020, e se reporta diretamente a Dorsey. Essa linhagem importa para interpretar o anúncio: este é um laboratório com oito anos de história em fala generativa, não uma empresa de pagamentos que está anexando uma demonstração a um roteiro de produto. Também explica por que o material divulgado parece um artefato de pesquisa, e não o lançamento de um produto — porque é exatamente isso.

Full-duplex é a parte que vale a pena entender

A maioria dos assistentes de voz funciona como um walkie-talkie. O sistema espera você parar, decide que você terminou, transcreve, pensa, sintetiza uma resposta e a reproduz. Cada uma dessas fronteiras é audível. Você aprende a esperar pelo bipe, e o modelo não aprende nada com o meio segundo em que você estava prestes a falar, mas mudou de ideia.

Full-duplex é o modelo de chamada telefônica. O modelo escuta enquanto fala, então pode ser interrompido no meio da frase, pode intercalar um “é” ou “entendi” enquanto você fala e pode ajustar o timing dele ao seu. As demonstrações da Block apostam pesado nisso: Dessa ri no meio da própria frase, aumenta o volume quando solicitada, completa o título de um filme que o interlocutor esqueceu e solta uma exclamação de espanto numa revelação de aniversário. A The Verge, que ouviu os mesmos clipes, descreveu as conversas como “um pouco desajeitadas e inquietantes” e destacou uma em que Dessa chama seu interlocutor de “Ronaldo”.

Ambas as reações podem ser verdadeiras. O full-duplex é uma propriedade de interação, não uma propriedade de inteligência. Um modelo pode ter uma alternância de turnos impecável e nada de interessante para dizer, ou uma resposta brilhante entregue com o timing de uma máquina de fax. O que as demos estabelecem é que a Block construiu algo que se comporta como um participante. O que elas não podem estabelecer é com que frequência ele se comporta assim quando ninguém está a selecionar o clipe.

O que o treinamento apenas com fala oferece — e quanto custa

O argumento a favor do treinamento apenas com fala é que o texto descarta quase tudo o que uma conversa carrega. Uma transcrição de “bem” é uma palavra. O áudio é um suspiro, uma pausa, uma queda de tom e uma decisão sobre perguntar de novo ou não. O motivo de segurança declarado pela Block decorre disso: um sistema de voz que não consegue ouvir sofrimento é surdo justamente ao sinal que importa em uma ligação de suporte ou em uma linha de crise.

O custo é igualmente estrutural. Os grandes modelos de linguagem obtêm sua cobertura factual, seu código, sua saída estruturada e sua chamada de ferramentas a partir de texto. Um modelo treinado apenas em fala não tem interface nativa para um PDF, um esquema JSON ou uma chamada de API. A Block admite as questões em aberto em sua própria página: com que eficiência um modelo apenas de fala aprende fatos e idiomas em comparação com um modelo de texto, e se o aprendizado em contexto sobrevive sem pré-treinamento em texto. Essas não são notas de rodapé. Elas são a diferença entre um agente conversacional convincente e um assistente de propósito geral.

Há uma posição defensável no meio-termo: um modelo nativo de fala não precisa ler sua planilha se estiver emparelhado com algo que leia. Mas esse é um argumento de arquitetura que a Block ainda não apresentou, e a prévia atual não expõe nenhuma interface pela qual esse emparelhamento pudesse acontecer.

A base de evidências é um reel de demonstração curado.

Block diz que os clipes são gravações ao vivo, que ninguém orienta o modelo e que as legendas foram adicionadas depois. Essas são boas práticas e eliminam a forma mais grosseira de fraude em demonstrações. Elas não eliminam a seleção. Uma equipe que grava muitas conversas e publica as melhores delas disse a você que existem boas conversas, o que não é a mesma afirmação que "este modelo é confiável".

O que uma avaliação independente exigiria é específico, e vale a pena registrar agora para que o próximo anúncio possa ser medido com base nisso:

• Um conjunto de conversas reservado, com prompts publicados, e não uma seleção de destaques.

• Latência de resposta medida de ponta a ponta, incluindo o tempo até a primeira reação audível, não apenas "mais rápido que o tempo real".

• Recuperação de interrupção: com que frequência o modelo perde o fio da meada depois de ser interrompido, e com que rapidez ele retoma.

• Inteligibilidade sob ruído, que é onde os sistemas de fala costumam falhar primeiro.

• Um orçamento declarado de computação e dados, para que a afirmação de "centenas de vezes menos palavras" possa ser verificada com base em algo.

• Algum grau de retenção factual, já que essa é a contrapartida explícita de descartar texto.

Nenhum destes existe ainda. Isso é normal para uma prévia e anormal para um lançamento, e é por isso que o rótulo correto para a Dessa hoje é "resultado de pesquisa com uma página de demonstração excepcionalmente boa".

A alegação sobre o hardware é a mais discreta.

Dois números de hardware estão na página e nenhum foi verificado. O primeiro é que o treinamento usou um GB200 NVL72 — um único rack com 72 GPUs Blackwell. Se for verdade, é uma alegação impressionante de eficiência de dados: um modelo que mantém uma conversa, treinado em um único rack, em um campo onde modelos de texto de fronteira são treinados em dezenas de milhares de aceleradores. É também o tipo de alegação que depende inteiramente de escala: um rack por quanto tempo, em quantas horas de áudio, com quantos parâmetros?

O segundo é que a inferência é executada mais rapidamente do que em tempo real em um MacBook Pro M4 Max. Um M4 Max de ponta tem 128 GB de memória unificada, então um modelo que caiba confortavelmente ali não é enorme para os padrões modernos. Isso é uma inferência, não uma divulgação. A Block não publicou o tamanho, a quantização, o consumo de memória nem o número de tokens por segundo, então a alegação sobre o laptop não pode ser reproduzida, apenas repetida.

É aqui que um leitor técnico deveria sentir a ausência com mais intensidade. Tudo sobre a praticidade do modelo — o custo por conversa, se ele pode rodar em um celular, se uma API algum dia poderia ser barata — decorre de um número que a Block decidiu não publicar.

Por que o acesso é restrito e por que isso importa para a avaliação

As razões declaradas pela Block para construir a Dessa são curiosidade, uma melhor compreensão da interação humano–IA e segurança. A barreira é coerente com a terceira: uma voz que lê emoções e conversa de forma convincente é uma ferramenta de imitação pronta para usar, e a maneira mais rápida de evitar uma manchete ruim é mantê-la numa sala pequena.

O trade-off é que o acesso restrito e a avaliação independente puxam em direções opostas. Um pequeno grupo de pesquisadores de segurança bem pode produzir os resultados de red-team mais úteis, mas esses resultados chegarão no cronograma da Block e, na maioria dos casos, sob a revisão da Block. Até que um grupo externo publique números, o registro público consiste nos clipes do fornecedor mais as impressões dos jornalistas sobre os clipes do fornecedor. Isso é uma base frágil para a frase "supera qualquer outra coisa em expressão emocional", que é uma afirmação sobre uma comparação que ninguém fez.

O que transformaria isto num produto?

Quatro coisas, em ordem aproximada de importância. Um preço ou um arquivo de pesos, porque qualquer um dos dois diz quem pode usá-lo. Uma API ou um SDK, porque um modelo que você não consegue chamar é um artigo. Um benchmark ou uma avaliação independente, porque “mais autêntico” não é uma métrica. E um número de latência em milissegundos, porque todo o valor do full-duplex está no timing, e o timing é a única coisa que um clipe de vídeo não consegue transmitir.

Qualquer um deles mudaria a forma como este artigo deveria ser lido. Todos os quatro fariam dele um lançamento.

Se precisar de um agente de voz antes disso

O stack prático para um agente de voz em produção ainda é reconhecimento de fala, depois um modelo de linguagem e depois síntese de fala. Cada etapa adiciona latência e cada fornecedor é um contrato separado. O OrcaRouter é a camada intermediária: uma API à frente de 200+ modelos, com 0% de markup — o preço de tabela do fornecedor repassado — failover automático entre fornecedores, uma DSL de roteamento que pode compor vários modelos em uma única chamada e fusão de modelos quando você quer um painel de modelos respondendo em conjunto. Isso não transforma um walkie-talkie em uma chamada telefônica; remove uma integração da cadeia enquanto os modelos duplex amadurecem.

Para deixar claro o que não temos: a Dessa não está no catálogo do OrcaRouter, e nada neste artigo deve ser interpretado como uma oferta de serviço para ela. Quando a Block lançar uma API, a camada de roteamento é onde um modelo como este valeria a pena ser comparado pelo preço por minuto de conversa, e não por token.

O que assistir

A alegação que vale a pena levar a sério não é a de ser "o primeiro". É que a linguagem pode ser aprendível a partir da fala com centenas de vezes menos dados, e que o modelo resultante pode compreender uma conversa de um modo que uma transcrição nunca conseguiria. Se a Block publicar um artigo com o orçamento de dados, a contagem de parâmetros e uma avaliação em conjunto reservado, essa alegação se torna testável. Se o próximo anúncio for outro conjunto de clipes, a questão interessante continuará em aberto — e a lista de espera continuará sendo a única porta.