Block, la empresa de Jack Dorsey, ha presentado desde su laboratorio de investigación Dessa, un modelo de voz full-duplex que habla y escucha a la vez, como ocurre en una conversación real entre dos personas. Está entrenado solo con habla humana, se ha construido con una única GPU de NVIDIA y puede ejecutarse en local, sin convertir la voz a texto y sin depender de un LLM. Todavía no hay acceso público, pero el planteamiento técnico dice mucho sobre el coste y la privacidad de la voz con IA.
Qué ha pasado con el modelo de voz full-duplex de Block
Dessa es el primer resultado visible del laboratorio de investigación de Block en el terreno de la voz. La palabra clave es full-duplex: el modelo no espera a que el usuario termine de hablar para empezar a responder, sino que procesa lo que oye mientras habla. Eso permite interrupciones, solapamientos y esas pausas incómodas o naturales que hacen que una conversación suene humana. Según la compañía, Dessa reproduce además risas, pausas y llanto, es decir, elementos del habla que un sistema basado en texto suele perder por el camino.
Otro dato relevante es cómo se ha entrenado: solo con habla humana y con una única GPU de NVIDIA. No es un modelo que necesite un clúster enorme para existir. Block asegura, además, que puede ejecutarse en un equipo de consumo como un MacBook M4 Max o superior. No es un portátil barato, pero sí un aparato que cabe en una mesa de oficina y no en un centro de datos. De momento no hay acceso público, y la empresa ha pedido a investigadores de seguridad que prueben el modelo antes de abrirlo más.
El contexto empresarial importa. Square, la división de pagos y herramientas para comercios de Block, ya usa IA de voz para gestionar pedidos. Block apunta a que Dessa podría alimentar más servicios, tanto para negocios como para consumidores, y hacerlo a menor coste. Es la propia compañía la que plantea ese horizonte; no hay productos concretos ni fechas anunciadas en la información disponible, así que conviene leerlo como una dirección de trabajo y no como una hoja de ruta cerrada.
Para entender el salto hay que recordar cómo funcionan muchos asistentes de voz actuales. El enfoque habitual encadena varias piezas: una que transcribe el audio a texto, un LLM que decide qué responder y otra que convierte la respuesta de nuevo en voz. Funciona, pero cada paso añade espera, coste y puntos de fallo, y por el camino se pierde información que no cabe en el texto, como el tono o una risa. Dessa se salta esa cadena y trabaja directamente con el audio.
Implicaciones técnicas de un modelo de voz full-duplex local
La primera consecuencia es de arquitectura. Si el modelo trabaja con voz de principio a fin, sin pasar por texto, conserva señales que normalmente se descartan: la entonación, el ritmo, el silencio que precede a una respuesta o una risa a media frase. Esa es la razón de que Dessa pueda reproducir risas y llanto, algo que un sistema que solo lee y escribe palabras tiene muy difícil. Para un asistente que atiende pedidos o llamadas, escuchar cómo se dice algo puede ser tan útil como entender qué se dice.
La segunda es de coste y dependencia. Un modelo que corre en un equipo de consumo no exige enviar cada conversación a un servidor externo ni pagar por minuto de audio procesado. Tampoco depende de un LLM de terceros, con su precio por token y sus cambios de condiciones. Block apunta precisamente a ese ahorro. Al ejecutarse en local, el audio no tiene por qué salir del dispositivo, lo que simplifica cualquier conversación sobre privacidad y protección de datos, aunque cada despliegue concreto habrá que auditarlo.
Hay también límites que conviene nombrar. Un modelo de voz que no se apoya en un LLM no hereda, por sí mismo, el conocimiento general ni la capacidad de consultar herramientas que sí tiene un LLM. La información disponible no detalla cómo se conectaría Dessa con catálogos, agendas o sistemas de cobro, y esa es la pregunta práctica que decidirá su utilidad en un comercio. Una voz muy natural que no sabe qué hay en el menú no resuelve ningún pedido.
Por último, está la seguridad. Un sistema que imita llanto y risa con naturalidad abre riesgos evidentes de suplantación y manipulación emocional en llamadas fraudulentas. Que Block haya pedido a investigadores de seguridad que prueben el modelo antes de ampliar el acceso es una señal sensata. Conviene ver qué encuentran y qué salvaguardas se publican, porque un modelo ligero y local es también más fácil de copiar y usar fuera de control si algún día se libera sin restricciones.
Cuándo y para quién será relevante esto
A día de hoy, Dessa no es algo que una empresa pueda contratar, descargar o probar. No hay acceso público y Block no ha anunciado fechas. Eso sitúa la noticia en el terreno de la investigación con ambición comercial: lo relevante es la demostración de que un modelo de voz full-duplex puede entrenarse con recursos modestos y ejecutarse en un equipo accesible, no un producto listo para integrar.
Los primeros afectados serán los propios servicios de Block, empezando por Square, que ya gestiona pedidos con IA de voz y es el candidato natural para probar cualquier mejora. Después, los investigadores de seguridad que ya tienen acceso para estresar el modelo y, a medio plazo, los equipos que construyen asistentes de voz y hoy pagan por encadenar transcripción, LLM y síntesis. Para ellos, la señal es que existe una vía más simple y más barata que merece seguimiento.
Para una PYME con atención telefónica, reservas o pedidos por voz, la recomendación es no cambiar nada por esta noticia. Sí merece la pena preguntar a los proveedores actuales cuánto tardan en responder, dónde se procesa el audio y cuánto cuesta cada minuto, porque esas serán las métricas con las que se compararán opciones como esta cuando lleguen. El requisito de hardware también es una pista: un MacBook M4 Max o superior no es un equipo de mostrador, así que el uso local masivo exigirá modelos aún más ligeros o dispositivos más potentes. Hasta que haya acceso, pruebas independientes y condiciones claras, lo prudente es seguirlo con atención y sin comprometer presupuesto.
Análisis Blixel
La voz con IA se ha jugado casi siempre en la nube y con modelos grandes, y se ha dado por hecho que hablar de forma natural exigía mucha infraestructura. Lo más interesante de Dessa es que cuestiona esa premisa: una sola GPU, solo habla humana y ejecución en un equipo de consumo. Si esas afirmaciones resisten pruebas externas, un modelo de voz full-duplex local cambia las cuentas de quien hoy paga por minuto de audio y por token de LLM.
Dicho esto, mantengo la cautela. Block cuenta lo que ha conseguido, pero no hay acceso público ni evaluaciones independientes, y una demo convincente no garantiza que el modelo sepa atender un pedido real con sus excepciones, sus ruidos de fondo y sus clientes impacientes. Reproducir una risa o un llanto es impresionante, pero un comercio necesita antes que nada precisión: entender, confirmar y cobrar sin errores.
Lo que más me gusta es la decisión de abrir el modelo a investigadores de seguridad antes de ampliar el acceso. Una voz capaz de imitar emociones tiene un uso evidente en el fraude, y reconocerlo desde el principio es más serio que lanzar primero y corregir después. Mi posición es clara: Dessa es una señal técnica que merece seguimiento, pero todavía no es una decisión de compra. Cuando llegue acceso real, el criterio será el de siempre: latencia, coste por minuto, privacidad y fiabilidad en condiciones reales. Todo lo demás es demostración.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.