Dessa, la voce di Block che ha imparato a parlare senza leggere

Il 23 ottobre Block, la società di Square e Cash App guidata da Jack Dorsey, ha presentato Dessa come anteprima di ricerca. Si tratta di un modello speech-to-speech: secondo quanto riportato sulla pagina ufficiale dell'azienda, riceve audio e restituisce audio senza passare da una trascrizione, e continua ad ascoltare mentre parla. Block lo definisce «the most authentic full-duplex speech model ever built» e, con la formula «per quanto ne sappiamo», lo presenta come il primo modello di questo tipo. A distinguerlo, sempre stando all'azienda, è il metodo di addestramento: partito da zero, solo su conversazioni umane registrate, senza testi e senza modelli preaddestrati.

È una scelta che rovescia l'impostazione più comune. Molti assistenti vocali convertono la voce in testo, oppure partono da un modello linguistico testuale e ci appoggiano sopra l'audio, e in quel passaggio tono, pause ed emozioni tendono a perdersi. Block insiste proprio su questo punto, osservando che i sistemi AI più potenti di oggi «can't hear how you feel». Secondo l'azienda Dessa ha imparato quando interrompere e quando inserire brevi segnali di ascolto, lavora più veloce del tempo reale e ha richiesto «hundreds of times fewer words» rispetto ai modelli linguistici. Quanto all'infrastruttura, Block dichiara un solo sistema NVIDIA GB200 NVL72 per l'addestramento e l'esecuzione in locale su un MacBook Pro M4 Max o superiore. I termini di paragone abituali in questo campo sono Moshi di Kyutai, a pesi aperti, e PersonaPlex di NVIDIA, che su Moshi è basato.

Il perimetro delle verifiche però è stretto, e va detto con chiarezza. Tutte le prestazioni citate sono affermazioni di Block, sostenute da registrazioni dimostrative scelte e pubblicate dall'azienda: conversazioni sui film, un gioco di indovinelli, dialoghi con GPT-Live-1, un modello di terzi: Block precisa di non essere affiliata con il suo sviluppatore né di averne l'avallo. Crypto Briefing segnala che alcune di queste demo mostrano anche dei limiti, come uno scambio di identità tra chi parla o cambi di argomento improvvisi. Secondo Implicator e Crypto Briefing mancano numero di parametri, pesi, prezzi, API e benchmark standard, e non esistono ancora valutazioni indipendenti. Non sono noti la quantità di dati usata, le lingue supportate, i tempi di un'apertura più ampia né l'eventuale pubblicazione dei pesi. Senza il dato sulla quantità di dati, anche il confronto sulle «hundreds of times fewer words» resta impossibile da controllare. Per ora c'è una lista d'attesa, e l'accesso anticipato è riservato a un piccolo gruppo di ricercatori di AI safety con email istituzionale. Dietro il progetto c'è un laboratorio che Block stessa descrive come molto piccolo, fondato da ex membri di Dessa, la startup di deep learning di Toronto che porta lo stesso nome del modello, e collocato, secondo l'azienda, alle dirette dipendenze di Dorsey.

Mi interessa l'idea di una macchina che arriva alla parola dall'orecchio e non dalla pagina, perché sposta la domanda da cosa si dice a come lo si dice. Ma una voce che sa quando tacere va ascoltata anche da chi non l'ha costruita, e finché le uniche registrazioni disponibili sono quelle scelte da Block, di Dessa conosciamo soprattutto il racconto che l'azienda ne fa. Aspetto il momento in cui qualcun altro potrà parlarci e sentire cosa risponde.

— Olya