Block lança Dessa, IA que supera ElevenLabs com voz 100% humana

Tecnologia

Nova IA de voz da Block oferece interações naturais e emocionais com tecnologia avançada para GPUs comuns.

Leia também: Estudo revela viés oposto de Grok e GPT em 500 eleições nos EUA

A Block, empresa de tecnologia fundada por Jack Dorsey, apresentou nesta semana o Dessa, um novo modelo de voz de inteligência artificial capaz de falar e ouvir ao mesmo tempo, com risadas, pausas e emoções que soam estranhamente humanas, e que pode rodar localmente em computadores como um MacBook M4 Max ou superior.

Por que o novo modelo de voz do ChatGPT da Block soa tão humano?

O Dessa soa mais humano porque é um modelo de fala para fala, treinado inteiramente em áudio de voz humana, sem passar pela etapa intermediária de texto que domina os sistemas atuais, como ChatGPT Voice Live e serviços de empresas como ElevenLabs. Em vez de converter o que o usuário diz em texto, processar e depois sintetizar uma nova fala, o modelo da Block mantém no próprio áudio informações de ritmo, respiração, intensidade e emoção.

Em demonstrações divulgadas pela equipe de pesquisa, o agente de voz muda de cadência e tom conforme o contexto: chega a soar cansado quando afirma estar “cansado do trabalho” e quase à beira do choro ao falar de um assunto mais emotivo. Também reage com risadas e silêncios naturais, o que aproxima a experiência de uma conversa entre duas pessoas.

Para a empresa, a limitação dos modelos atuais começa justamente na etapa de texto. “Interacting with current voice AI can just plain suck. It turns your voice into text and throws away an incredible amount of information text alone can’t carry. The most powerful AIs in the world can’t hear how you feel. We think that’s ridiculous, leads to a worse experience, and is potentially dangerous”, diz a Block em um post no blog.

No comunicado oficial, a companhia resume a ambição: “We believe voice is the most natural way to interact with intelligence, so we created Dessa, the most authentic full-duplex speech model ever built. Talking with it feels like talking with a person…full of emotion, nuance, pauses, and a natural cadence”.

Como o modelo de voz da Block se compara ao da ElevenLabs?

O Dessa aposta em uma abordagem diferente da de players consolidados em áudio sintético, como a ElevenLabs. Enquanto muitos sistemas de voz ligados a modelos de linguagem – caso de ChatGPT AI com voz e de APIs de empresas especializadas – geram fala a partir de texto e recorrem a “tags” de emoção (comandos que indicam se a fala deve soar alegre, triste, empolgada), a Block afirma que o seu modelo já traz essas nuances embutidas.

Segundo a empresa, modelos tradicionais “soam artificiais e irritantes” justamente porque a passagem por texto descaracteriza a carga emocional original da fala. Nesses serviços, incluindo soluções recentes como ElevenLabs v4, o tom costuma ser ajustado com marcadores externos, o que pode resultar em vozes corretas, mas pouco espontâneas.

Com o Dessa, a intenção é que a emoção nasça da própria dinâmica da conversa em áudio. A Block descreve o sistema como “the first AI model you can have a realistic conversation with that was trained entirely on speech”, dizendo que este seria um “GPT3 moment for speech” – uma referência a um salto de geração em modelos de linguagem, agora transportado para o campo da voz.

Além disso, o Dessa roda localmente em GPUs de consumo, como um MacBook M4 Max ou máquinas equivalentes com uma única GPU da NVIDIA, reduzindo a dependência de servidores em nuvem para processar áudio em tempo real. Isso pode pressionar provedores de voz que dependem fortemente de infraestrutura centralizada e abrir espaço para soluções embarcadas diretamente em notebooks, caixas de som inteligentes, terminais de pagamento e sistemas de atendimento.

Entenda o contexto

O Dessa é um modelo full-duplex, termo usado para designar sistemas capazes de falar e ouvir simultaneamente, sem a alternância rígida de “pergunta e resposta” comum em assistentes virtuais. Na prática, ele pode interromper, reagir a ruídos e ajustar o tom no meio da fala, em um fluxo parecido com o de conversas humanas.

A Block já utiliza inteligência artificial de voz em produtos da Square, divisão focada em pequenas empresas, para automatizar pedidos por telefone. Com um modelo próprio, mais natural e que roda em dispositivos dos próprios clientes, a companhia busca reduzir custos de operação e ter mais controle sobre a experiência de atendimento.

O movimento também mira o público consumidor que se acostumou a interagir com assistentes como o ChatGPT Voice Live e outros sistemas de conversação por áudio. A avaliação da Block é que a próxima etapa da corrida da IA passa por modelos de voz que consigam sustentar diálogos longos, cheios de nuances e com sensação de presença real, e não apenas ler frases de um texto.

O que torna o modelo de voz da Block mais avançado que os anteriores?

O diferencial está na combinação de três fatores: full-duplex real, treinamento puramente em fala e execução local em hardware acessível. Ao falar em “full-duplex speech-to-speech model that you can run on consumer GPUs”, a Block aponta que o Dessa não é só uma camada de voz em cima de um grande modelo de linguagem, mas um sistema de conversação em áudio com memória própria de diálogos.

Isso abre espaço para aplicações em que a fluidez é crítica, como vendas por telefone, suporte financeiro, triagem em centrais de atendimento e interfaces de voz em pontos de venda físicos. Pequenos negócios que já usam a infraestrutura da Square podem, no futuro, incorporar atendentes virtuais que entendem sotaques, reagem à frustração do cliente e soam mais empáticos, sem depender de uma conexão constante a data centers.

A execução local também melhora privacidade: parte do processamento sensível pode ficar na máquina do usuário ou do comerciante, reduzindo o volume de áudio enviado para a nuvem. Ao mesmo tempo, desafia o modelo de negócios de fornecedores de nuvem que monetizam justamente a capacidade de processar grandes volumes de voz em servidores remotos.

Como acessar o novo modelo de voz do ChatGPT da Block?

Por enquanto, o Dessa não está disponível para o público em geral. A Block abriu um convite específico para pesquisadores de segurança, pedindo que testem o modelo antes de qualquer liberação mais ampla. A prioridade, neste momento, é mapear riscos de abuso, como o uso de vozes artificiais extremamente convincentes para enganar pessoas em golpes ou fraudes financeiras.

Essa fase de testes deve ajudar a definir limites técnicos e regras de uso, incluindo mecanismos de autenticação de chamadas, avisos de que a voz é sintética e barreiras contra clonagem de vozes reais sem consentimento. Só depois desse processo, o Dessa deve começar a aparecer integrado a produtos comerciais, em especial nos sistemas de pedidos por voz e nas soluções financeiras da própria Block.

No horizonte, a expectativa do mercado é que a chegada do Dessa acelere o desenvolvimento de modelos de voz concorrentes – tanto por grandes plataformas de IA, como o próprio ChatGPT com novos recursos de voz, quanto por empresas especializadas em áudio, como a ElevenLabs – e force um debate regulatório mais profundo sobre ética, privacidade e segurança em vozes artificiais cada vez mais indistinguíveis das humanas.