Block lanza Dessa, modelo de voz que habla y escucha a la vez, superando la rigidez actual

Block presentó Dessa, un modelo de voz full‑duplex entrenado exclusivamente con audio humano que puede ejecutarse en GPUs de consumo y promete conversaciones más naturales que los asistentes actuales.

Block, la empresa fundada por Jack Dorsey, anunció esta semana el lanzamiento de Dessa, su nuevo modelo de voz que combina la capacidad de hablar y escuchar simultáneamente. A diferencia de los sistemas tradicionales, que convierten la entrada de voz a texto antes de generar la respuesta, Dessa procesa audio de extremo a extremo, manteniendo entonaciones, pausas y hasta risas que antes se perdían en la cadena de texto‑a‑voz.

Arquitectura y entrenamiento del modelo

Dessa es un modelo full‑duplex speech‑to‑speech basado en una arquitectura de red neuronal profunda que se entrenó exclusivamente con cientos de horas de conversaciones humanas. El proceso de entrenamiento se realizó en un único rack de GPUs NVIDIA, lo que demuestra que la carga computacional es manejable para equipos de laboratorio y no requiere clusters de super‑computación.

Al prescindir del paso intermedio de texto, el modelo mantiene la información prosódica que los humanos utilizan para transmitir emociones. En pruebas internas, el agente respondió con una voz cansada cuando se le dijo que estaba “cansado de trabajar”, y mostró risas espontáneas al comentar una anécdota.

Comparación con la oferta global

El mercado de voces sintéticas ha estado dominado por soluciones como ElevenLabs v4, Fish Audio Drama 3 o los modelos de texto‑a‑voz de Google Gemini. Estas plataformas suelen apoyarse en “voice tags” o etiquetas de emoción que el desarrollador debe especificar. Block afirma que la emoción está integrada de forma nativa en Dessa, eliminando la necesidad de anotaciones externas.

OpenAI lanzó a principios de 2026 GPT‑Live, un modelo que también permite la interacción en tiempo real, pero sigue utilizando una arquitectura de texto‑a‑voz para la salida. La diferencia clave de Dessa radica en que, al ser un modelo de audio‑a‑audio, conserva la riqueza de la señal sonora y reduce la latencia percibida por el usuario.

Impacto práctico en América Latina y España

El hecho de que Dessa pueda ejecutarse en ordenadores de consumo, como un MacBook M4 Max o una laptop con GPU de 12 GB de VRAM, abre la puerta a una adopción rápida en startups latinoamericanas y pymes españolas que buscan integrar asistentes de voz sin depender de APIs en la nube costosas. En mercados donde la conectividad es intermitente, la capacidad de operar localmente reduce la dependencia de ancho de banda y mejora la privacidad de los datos.

• Centros de atención al cliente que pueden ofrecer respuestas en tiempo real sin enviar grabaciones a servidores externos.
• Aplicaciones de educación a distancia que usan voces más naturales para tutores virtuales.
• Herramientas de accesibilidad para personas con discapacidades auditivas que requieren una interacción más humana.

Empresas como MercadoLibre y Bancolombia ya están evaluando integrar modelos locales para reducir costos operacionales y cumplir con regulaciones de protección de datos. En España, la reciente normativa sobre IA establece que los sistemas que procesan datos biométricos deben operar bajo estrictos controles; una solución on‑device como Dessa facilita el cumplimiento.

Seguridad y riesgos asociados

Block ha abierto una convocatoria para que investigadores de seguridad evalúen el modelo. La preocupación principal es que un agente de voz tan convincente podría usarse para suplantar identidades o manipular a usuarios vulnerables. En su blog, la compañía advirtió:

«Interactuar con la IA de voz actual puede resultar frustrante. Convierte tu voz en texto y descarta información crucial como el tono y la emoción. Creemos que eso es ridículo, genera una peor experiencia y es potencialmente peligroso», declaró Block.

El llamado a la comunidad de seguridad busca identificar escenarios de abuso, como ataques de ingeniería social donde el asistente imite a un ser querido o a un ejecutivo de empresa para obtener información confidencial.

Perspectiva para desarrolladores y usuarios

Para los desarrolladores, la principal ventaja de Dessa es la reducción de la complejidad de la pila tecnológica: ya no es necesario combinar un modelo de lenguaje grande con un motor de texto‑a‑voz separado. Sin embargo, el modelo aún no está disponible públicamente; Block planea lanzar una versión beta bajo un programa de acceso restringido.

Los usuarios finales pueden esperar conversaciones que fluyan de manera más natural, con pausas que imitan el habla humana y respuestas que reflejan estados emocionales. En un futuro próximo, esto podría traducirse en asistentes virtuales que comprendan mejor la frustración o la alegría del interlocutor, mejorando la calidad de la interacción en aplicaciones de salud mental, educación y comercio.

Dessa representa un punto de inflexión comparable al impacto que tuvo GPT‑3 en el procesamiento de texto, pero trasladado al dominio de la voz. Su éxito dependerá de cómo la industria equilibre la innovación con los desafíos de seguridad y privacidad que plantea una IA capaz de “hablar como nosotros”.