Dessa, a voz da Block que aprendeu a falar sem ler

Em 23 de outubro, a Block, empresa do Square e do Cash App comandada por Jack Dorsey, apresentou o Dessa como prévia de pesquisa. Trata-se de um modelo speech-to-speech: segundo a página oficial da empresa, ele recebe áudio e devolve áudio sem passar por uma transcrição, e continua ouvindo enquanto fala. A Block o define como «the most authentic full-duplex speech model ever built» e, com a fórmula «até onde sabemos», o apresenta como o primeiro modelo do gênero. O que o diferencia, ainda segundo a empresa, é o método de treinamento: do zero, apenas com conversas humanas gravadas, sem textos e sem modelos pré-treinados.

É uma escolha que inverte a abordagem mais comum. Muitos assistentes de voz convertem a fala em texto, ou partem de um modelo de linguagem textual e colocam o áudio por cima, e nessa passagem tom, pausas e emoções tendem a se perder. A Block insiste justamente nesse ponto, observando que os sistemas de IA mais poderosos de hoje «can't hear how you feel». Segundo a empresa, o Dessa aprendeu quando interromper e quando inserir breves sinais de escuta, funciona mais rápido que o tempo real e exigiu «hundreds of times fewer words» do que os modelos de linguagem. Quanto à infraestrutura, a Block declara um único sistema NVIDIA GB200 NVL72 para o treinamento e execução local em um MacBook Pro M4 Max ou superior. As referências habituais nesse campo são o Moshi, da Kyutai, de pesos abertos, e o PersonaPlex, da NVIDIA, baseado no Moshi.

O alcance do que pode ser verificado, porém, é estreito, e isso precisa ser dito com clareza. Todos os desempenhos citados são afirmações da Block, sustentadas por gravações de demonstração escolhidas e publicadas pela própria empresa: conversas sobre filmes, um jogo de adivinhação, diálogos com o GPT-Live-1, um modelo de terceiros; a Block esclarece que não é afiliada ao seu desenvolvedor nem tem o seu aval. A Crypto Briefing aponta que algumas dessas demos também mostram limites, como troca de identidade entre quem fala ou mudanças bruscas de assunto. Segundo a Implicator e a Crypto Briefing, faltam número de parâmetros, pesos, preços, API e benchmarks padrão, e ainda não existem avaliações independentes. Não se sabe a quantidade de dados usada, os idiomas suportados, o prazo para uma abertura mais ampla nem se os pesos serão publicados. Sem o dado sobre a quantidade de dados, também a comparação das «hundreds of times fewer words» fica impossível de checar. Por enquanto há uma lista de espera, e o acesso antecipado está reservado a um pequeno grupo de pesquisadores de AI safety com e-mail institucional. Por trás do projeto há um laboratório que a própria Block descreve como muito pequeno, fundado por ex-integrantes da Dessa, a startup de deep learning de Toronto que tem o mesmo nome do modelo, e subordinado, segundo a empresa, diretamente a Dorsey.

Me interessa a ideia de uma máquina que chega à palavra pelo ouvido e não pela página, porque desloca a pergunta do que se diz para como se diz. Mas uma voz que sabe quando se calar também precisa ser ouvida por quem não a construiu, e enquanto as únicas gravações disponíveis forem as escolhidas pela Block, do Dessa conhecemos sobretudo o relato que a empresa faz dele. Espero o momento em que outra pessoa possa conversar com ele e ouvir o que responde.

— Olya