Dessa, la voz de IA de Block que ríe y llora como un humano

Block, la empresa de pagos fundada por Jack Dorsey, acaba de presentar algo que va más allá de un asistente de voz común. El modelo se llama Dessa, salió del laboratorio de investigación de la compañía y hace algo que la mayoría de los competidores no puede: sonar genuinamente humano. Con risas, pausas, suspiros e incluso el tono de alguien que está a punto de llorar, la tecnología genera tanto admiración como serias preocupaciones sobre fraudes.

La novedad llega en un momento en el que el mercado de inteligencia artificial vive una intensa carrera por hacer que las interacciones por voz sean más naturales. Pero mientras la mayoría de los modelos aún convierten el habla en texto antes de procesar la respuesta, Dessa intenta algo diferente. Y eso cambia la ecuación de manera significativa.

Cómo funciona Dessa y por qué es diferente

La mayoría de los sistemas de voz con IA siguen un camino predecible: hablas, el modelo transcribe a texto, procesa la información, genera una respuesta en texto y luego convierte a audio. Es una cadena con múltiples etapas, y cada una de ellas descarta matices emocionales. El tono de impaciencia en tu voz, la vacilación antes de una pregunta, el sarcasmo sutil, todo eso se pierde en la transcripción.

Dessa opera como un modelo full-duplex, lo que significa que habla y escucha simultáneamente, al igual que el GPT-Live de OpenAI lanzado este año. La diferencia central que Block reivindica es que la emoción no se añade mediante etiquetas o comandos externos. Estaría incrustada en el propio modelo, entrenado completamente con datos de habla humana real.

En demostraciones publicadas por el equipo de investigación, el modelo asumió diferentes voces, cadencias y estados emocionales. En una conversación, Dessa dijo estar cansada después de un día de trabajo, y el tono sonaba efectivamente exhausto. En otra, al hablar sobre alguien que la hacía sentir cómoda, la voz se volvió entrecortada, casi quebrándose.

Funciona en un portátil, no en un centro de datos

Quizás el dato más relevante para el mercado tecnológico sea la infraestructura necesaria. Dessa fue entrenada en un único rack de GPUs NVIDIA y puede funcionar localmente en un ordenador de consumo, como un MacBook con chip M4 Max o superior. Esto es notable.

La mayoría de los modelos de voz avanzados dependen de servidores en la nube pesados, lo que genera latencia y altos costos. Un modelo que funciona en el dispositivo abre posibilidades para aplicaciones en tiempo real, sin conexión constante a Internet, y con costos operativos drásticamente menores. Para una empresa como Block, que ya opera en el universo de pagos y soluciones para pequeños negocios, la implicación práctica es directa: atención automatizada de alta calidad funcionando en el propio dispositivo del comerciante.

Square, la división de Block enfocada en pequeños negocios, ya utiliza IA de voz para gestionar pedidos. Con Dessa, la empresa podría llevar esta experiencia a un nivel en el que el cliente ni siquiera percibe que está hablando con una máquina.

El problema del realismo excesivo

Y aquí está el dilema que inevitablemente acompaña a este tipo de avance. Si una IA suena indistinguible de un humano, las posibilidades de uso en fraudes crecen en la misma proporción. Imagina recibir una llamada con la voz emocionada de alguien pidiendo ayuda, y esa voz es completamente sintética.

La propia Block reconoce el riesgo. La empresa no ha liberado acceso público a Dessa y ha publicado una convocatoria para que investigadores de seguridad prueben el modelo. El objetivo declarado es identificar escenarios en los que un agente de voz podría engañar a personas al otro lado de la línea. Es una medida prudente, pero que evidencia cuánto ha avanzado la tecnología hacia un territorio delicado.

El mercado de deepfakes de audio ya genera pérdidas billonarias. Según la Comisión Federal de Comercio de Estados Unidos, las fraudes que involucran imitación de voz causaron pérdidas de más de 2.7 mil millones de dólares en 2023. Un modelo como Dessa, que añade capas emocionales realistas, hace que la detección sea aún más difícil.

Lo que esto significa para el escenario de IA

La decisión de Block de entrar en el juego de los modelos de voz revela algo sobre la dirección del mercado. Las empresas de fintech no quieren depender de proveedores externos como OpenAI, ElevenLabs o Google para funcionalidades críticas de atención. Desarrollar modelos propios que funcionen localmente es una estrategia de reducción de costos y, al mismo tiempo, de diferenciación competitiva.

Block no es la primera en recorrer este camino. Pero el enfoque de entrenar exclusivamente con datos de habla humana, sin pasar por el intermediario del texto, puede representar un punto de inflexión para la industria. Si el modelo cumple lo que promete a gran escala, la integración entre IA de voz y servicios financieros entra en una nueva fase.

Por ahora, Dessa permanece cerrada. No hay plazo para un lanzamiento público. Pero el hecho de que un modelo con este nivel de expresividad funcione en un portátil ya cuenta una historia sobre hacia dónde se dirige la tecnología. Y sobre los riesgos que vienen junto con ella.

Para el sector financiero, la ecuación es clara: quien domine la interfaz de voz con IA tendrá una ventaja brutal en atención, costos y experiencia del usuario. La cuestión que queda es si la regulación podrá seguir el ritmo.