Block a présenté Dessa, un modèle vocal développé par son laboratoire de recherche. Selon l’entreprise, ce système fonctionne localement et produit une voix capable de restituer des éléments comme les rires, les pauses et les pleurs. Block affirme également que Dessa a été entraîné entièrement sur de la parole humaine et avec un seul GPU NVIDIA.
Le modèle n’est toutefois pas disponible publiquement à ce stade. Block a lancé un appel aux chercheurs en sécurité afin qu’ils puissent tester le système, notamment dans des situations où un agent vocal pourrait tromper les personnes avec lesquelles il échange.
Un modèle vocal qui écoute et parle en même temps
Dessa est présenté comme un modèle speech-to-speech full-duplex. Cette architecture lui permet de parler et d’écouter simultanément, à la manière du modèle GPT-Live d’OpenAI mentionné par la source. Block oppose cette approche aux systèmes vocaux courants qui convertissent d’abord la voix en texte avant de produire une réponse.
Selon Block, cette chaîne de traitement peut perdre des informations que le texte ne transporte pas entièrement, notamment des indices liés à l’émotion. L’entreprise estime que les systèmes vocaux actuels peuvent alors sembler artificiels ou agaçants. Ces appréciations relèvent de la position de Block et ne constituent pas une évaluation indépendante des performances de Dessa.
Block affirme que l’émotion est intégrée au modèle plutôt que pilotée uniquement par des balises vocales. La source précise toutefois qu’il n’est pas établi si des balises ou un mécanisme comparable interviennent malgré tout dans la génération. Cette incertitude limite la portée de la comparaison avec d’autres modèles vocaux.
Des démonstrations centrées sur la cadence et l’émotion
Les chercheurs de Block ont publié plusieurs exemples de conversations avec Dessa. Ils montrent un agent utilisant différentes voix, cadences et émotions. Dans l’un des exemples décrits par l’entreprise, le bot dit être fatigué par son travail et adopte alors une voix présentée comme fatiguée.
Un autre extrait met en scène une conversation dans laquelle l’agent parle du fait qu’une personne le met à l’aise, avec une expression vocale décrite comme émotive et proche de l’effondrement. Une troisième démonstration montre une membre de l’équipe de Block jouer à un jeu de devinettes avec l’assistant vocal.
Ces exemples documentent les démonstrations choisies par Block, mais ils ne suffisent pas à établir les capacités générales du modèle. La société n’a pas encore fourni, dans les éléments disponibles, de procédure publique permettant de reproduire ou de mesurer indépendamment ces résultats.
Une exécution locale sur du matériel grand public
Block indique que Dessa peut fonctionner localement sur un ordinateur grand public comme un MacBook équipé d’une puce M4 Max ou d’une configuration supérieure. La source ne précise pas la configuration complète nécessaire, les performances obtenues, la consommation de mémoire ou la latence du système.
Cette exécution locale constitue néanmoins l’un des éléments centraux de l’annonce. Elle signifie que le modèle est conçu pour produire et traiter la conversation sur l’appareil compatible, plutôt que de dépendre nécessairement d’un service distant. Les conditions exactes d’utilisation restent à clarifier tant que Dessa n’est pas accessible au public.
Block explique que les modèles vocaux sont généralement associés à un grand modèle de langage pour récupérer des connaissances. D’après l’entreprise, les connaissances de Dessa proviennent des données conversationnelles utilisées pour son entraînement. La source ne détaille ni l’étendue de ces connaissances ni la méthode retenue pour les actualiser.
Un intérêt potentiel pour les activités de Block
Block exerce principalement dans la finance et fournit des solutions aux petites entreprises. Square utilise déjà l’intelligence artificielle vocale pour gérer des commandes, selon la source. L’entreprise estime qu’un modèle vocal capable de fonctionner sur l’appareil pourrait alimenter davantage d’expériences professionnelles et grand public à un coût inférieur.
Cette orientation reste une perspective annoncée par Block, et non un déploiement confirmé de Dessa dans ses produits. Aucun accès public n’est proposé pour le moment. Le calendrier d’une éventuelle disponibilité, les usages retenus et les résultats des tests de sécurité ne sont pas indiqués.
La conséquence immédiate est donc limitée mais concrète : Block dispose d’un prototype ou modèle de recherche vocal local qu’il soumet à des chercheurs en sécurité, sans ouvrir encore son utilisation au public. Pour les entreprises intéressées par les assistants vocaux, l’annonce met en avant deux pistes à surveiller : la conversation simultanée et le traitement local des caractéristiques émotionnelles de la voix.
Source : techcrunch.com
