Dessa, a voz de IA da Block que ri e chora como humano

A Block, empresa de pagamentos fundada por Jack Dorsey, acaba de apresentar algo que vai além de um assistente de voz comum. O modelo se chama Dessa, saiu do laboratório de pesquisa da companhia e faz uma coisa que a maioria dos concorrentes não consegue: soar genuinamente humano. Com risos, pausas, suspiros e até o tom de quem está prestes a chorar, a tecnologia levanta tanto admiração quanto preocupações sérias sobre fraudes.

A novidade chega em um momento no qual o mercado de inteligência artificial vive uma corrida intensa para tornar interações por voz mais naturais. Mas enquanto a maioria dos modelos ainda converte fala em texto antes de processar a resposta, a Dessa tenta algo diferente. E isso muda a equação de forma significativa.

Como a Dessa funciona e por que é diferente

A maioria dos sistemas de voz com IA segue um caminho previsível: você fala, o modelo transcreve para texto, processa a informação, gera uma resposta em texto e depois converte em áudio. É uma cadeia com múltiplas etapas, e cada uma delas descarta nuances emocionais. O tom de impaciência na sua voz, a hesitação antes de uma pergunta, o sarcasmo sutil, tudo isso se perde na transcrição.

A Dessa opera como um modelo full-duplex, o que significa que fala e escuta simultaneamente, assim como o GPT-Live da OpenAI lançado neste ano. A diferença central que a Block reivindica é que a emoção não é adicionada por meio de tags ou comandos externos. Ela estaria embutida no próprio modelo, treinado inteiramente com dados de fala humana real.

Em demonstrações publicadas pela equipe de pesquisa, o modelo assumiu diferentes vozes, cadências e estados emocionais. Em uma conversa, a Dessa disse estar cansada após um dia de trabalho, e o tom efetivamente soava exausto. Em outra, ao falar sobre alguém que a fazia sentir-se confortável, a voz ficou embargada, quase quebrando.

Roda em um laptop, não em um datacenter

Talvez o dado mais relevante para o mercado de tecnologia seja a infraestrutura necessária. A Dessa foi treinada em um único rack de GPUs NVIDIA e pode rodar localmente em um computador de consumo, como um MacBook com chip M4 Max ou superior. Isso é notável.

A maioria dos modelos de voz avançados depende de servidores em nuvem pesados, o que gera latência e custos elevados. Um modelo que roda on-device abre possibilidades para aplicações em tempo real, sem conexão constante com a internet, e com custos operacionais drasticamente menores. Para uma empresa como a Block, que já opera no universo de pagamentos e soluções para pequenos negócios, a implicação prática é direta: atendimento automatizado de alta qualidade rodando no próprio dispositivo do comerciante.

A Square, braço da Block voltado a pequenos negócios, já utiliza IA de voz para gerenciar pedidos. Com a Dessa, a empresa poderia levar essa experiência a um patamar no qual o cliente sequer percebe que fala com uma máquina.

O problema do realismo excessivo

E aqui está o dilema que inevitavelmente acompanha esse tipo de avanço. Se uma IA soa indistinguível de um humano, as possibilidades de uso em golpes crescem na mesma proporção. Imagine receber uma ligação com a voz emocionada de alguém pedindo socorro, e essa voz ser inteiramente sintética.

A própria Block reconhece o risco. A empresa não liberou acesso público à Dessa e publicou uma convocação para pesquisadores de segurança testarem o modelo. O objetivo declarado é identificar cenários nos quais um agente de voz poderia enganar pessoas do outro lado da linha. É uma medida prudente, mas que evidencia o quanto a tecnologia já avançou para território delicado.

O mercado de deepfakes de áudio já movimenta prejuízos bilionários. Segundo a Federal Trade Commission dos Estados Unidos, fraudes envolvendo imitação de voz causaram perdas de mais de 2,7 bilhões de dólares em 2023. Um modelo como a Dessa, que adiciona camadas emocionais realistas, torna a detecção ainda mais difícil.

O que isso significa para o cenário de IA

A decisão da Block de entrar no jogo dos modelos de voz revela algo sobre a direção do mercado. Empresas de fintech não querem depender de fornecedores externos como OpenAI, ElevenLabs ou Google para funcionalidades críticas de atendimento. Desenvolver modelos proprietários que rodam localmente é uma estratégia de redução de custos e, ao mesmo tempo, de diferenciação competitiva.

A Block não é a primeira a percorrer esse caminho. Mas a abordagem de treinar exclusivamente com dados de fala humana, sem passar pelo intermediário do texto, pode representar um ponto de inflexão para a indústria. Se o modelo cumprir o que promete em escala, a integração entre IA de voz e serviços financeiros entra em uma nova fase.

Por enquanto, a Dessa permanece fechada. Não há prazo para lançamento público. Mas o fato de que um modelo com esse nível de expressividade roda em um laptop já conta uma história sobre para onde a tecnologia está caminhando. E sobre os riscos que vêm junto com ela.

Para o setor financeiro, a equação é clara: quem dominar a interface de voz com IA terá uma vantagem brutal em atendimento, custos e experiência do usuário. A questão que resta é se a regulação conseguirá acompanhar o ritmo.