Présentation du modèle Dessa

Block, la société fondée par Jack Dorsey, a dévoilé Dessa, un modèle vocal issu de son laboratoire de recherche. Le texte indique que le modèle est entraîné exclusivement sur des enregistrements humains et qu’il peut être exécuté sur une seule carte graphique NVIDIA, sans recours à un serveur distant. Cette configuration permet à l’outil de fonctionner hors ligne, ce qui contraste avec la plupart des services de synthèse vocale actuellement disponibles.

Architecture et capacités techniques

Dessa est décrit comme un modèle full‑duplex : il génère de la parole tout en captant simultanément l’audio entrant, à l’instar du modèle GPT‑Live d’OpenAI publié plus tôt dans l’année. Contrairement à de nombreuses solutions qui associent un modèle de parole à un grand modèle de langage (LLM) pour la récupération de connaissances, Dessa s’appuie directement sur les données conversationnelles qu’il a apprises. Le texte précise que l’émotion n’est pas injectée par des balises externes (voice tags) comme dans ElevenLabs v4 ou Fish Audio Drama 3, mais intégrée dans le réseau neuronal lui‑même. En pratique, le modèle peut être exécuté sur un ordinateur grand public, par exemple un MacBook équipé d’un processeur M4 Max ou d’une configuration équivalente, ce qui montre que la charge de calcul reste compatible avec du matériel de consommation.

Implications pour les applications vocales

Block commercialise déjà des solutions vocales dans le secteur financier via Square, notamment pour la prise de commandes. La possibilité d’exécuter un modèle complet sur l’appareil ouvre la voie à des services plus réactifs et moins dépendants d’une connexion réseau. En éliminant la chaîne « voix → texte → voix », le système conserve les nuances prosodiques (rire, pause, larmes) qui sont perdues dans les pipelines traditionnels. Cette conservation de l’information acoustique peut améliorer l’expérience utilisateur dans les interfaces client‑assistant, tout en réduisant les coûts d’infrastructure cloud associés à l’hébergement de modèles volumineux.

Enjeux de sécurité et limites actuelles

Le lancement de Dessa s’accompagne d’un appel à des chercheurs en sécurité pour tester le modèle. Le texte souligne que la capacité d’un agent vocal à simuler fatigue, tristesse ou colère pourrait être détournée pour manipuler des interlocuteurs. À ce jour, aucune version publique n’est disponible, ce qui limite l’évaluation indépendante de la robustesse du système face à des attaques d’imitation ou de désinformation. De plus, l’article ne précise pas comment les émotions sont contrôlées, laissant une zone d’incertitude quant à la présence éventuelle de mécanismes de balisage internes. Ces points soulignent la nécessité d’un audit approfondi avant un déploiement à grande échelle.