Dessa, modelo conversacional, é treinado do zero apenas com fala humana

A Block, dona do blog que publicou o anúncio, apresenta o Dessa como um modelo de fala para fala (speech-to-speech) e full-duplex: ele ouve e fala ao mesmo tempo. Segundo a fonte, foi treinado do zero só com conversa humana em áudio, sem texto e sem modelos pré-treinados. A equipe afirma que, até onde sabe, é a primeira IA de conversa ao vivo realista treinada apenas com fala humana.

Os números e requisitos que a fonte traz: o treino usou um único NVIDIA GB200 NVL72, a inferência roda mais rápido que tempo real e o modelo roda localmente em um MacBook Pro M4 Max ou superior. A fonte diz que o Dessa aprendeu a língua com centenas de vezes menos palavras que os LLMs. O argumento técnico é que a fala nunca se repete e que uma palavra falada ocupa milhares de vezes mais bytes que em texto. Os exemplos publicados (riso no meio da frase, backchannel, completar frase, ajuste de volume) são gravações ao vivo com legenda adicionada depois. Não há benchmark no post. Também não há indicação de lançamento aberto: o acesso antecipado é só para um grupo pequeno de pesquisadores de segurança em IA.

O tema full-duplex já vinha aparecendo. Em 13 de maio de 2026, o CEVIU noticiou "Modelos de Interação: Uma Abordagem Escalável para Colaboração Humano-IA", com modelos do Thinking Machines Lab treinados do zero e com design multi-stream. Em 17 de junho de 2026, saiu "OpenAI testa GPT-Bidi-1: novo modelo de voz do ChatGPT que ouve e fala ao mesmo tempo", que a própria matéria atualizou como lançado. Em 16 de fevereiro de 2026, o PersonaPlex, coberto em "Controle de Voz e Função para Modelos de Fala Conversacionais Full Duplex", previa tokens de texto e de áudio. A diferença do Dessa, segundo a fonte, é a ausência total de texto no treino.

Para quem trabalha com voz, a leitura é que o gargalo da cascata voz, texto e voz (perda de emoção e de timing) ganha mais um ataque direto. Rodar localmente num laptop e treinar em um único rack sugerem custo menor do que se imagina para esse tipo de modelo, mas sem benchmarks públicos ainda não dá para comparar qualidade com os concorrentes.