Block lança Dessa, modelo de voz treinado sem texto e voltado a conversas em tempo real

A Block, empresa de Jack Dorsey responsável por Square e Cash App, apresentou em 23 de outubro de 2026 o Dessa, um modelo de conversação por voz que, segundo a companhia, foi treinado do zero apenas com gravações de fala humana — sem textos e sem um modelo pré-treinado. A proposta é incomum porque o sistema ouve e responde simultaneamente, preservando sinais como pausas, risos, hesitação e entonação. A demonstração é promissora para interfaces locais, mas ainda não há pesos, API, benchmarks padronizados nem acesso público amplo.

O que a Block anunciou

O Dessa é descrito pela Block como um modelo speech-to-speech de full duplex: ele pode continuar ouvindo enquanto fala, interromper e ser interrompido, além de emitir pequenos sinais de acompanhamento da conversa, como um “hum-hum”. Isso contrasta com muitos assistentes de voz em que a fala do usuário é primeiro transcrita, depois processada por um modelo de linguagem e, por fim, convertida de volta em áudio.

Na página de apresentação, a companhia afirma que o modelo aprendeu diretamente a partir de conversas humanas, sem usar texto nem modelos previamente treinados. Também afirma que a inferência roda acima do tempo real e que o sistema pode executar localmente em um MacBook Pro com chip M4 Max ou superior. O treinamento teria usado um único sistema NVIDIA GB200 NVL72. Essas são alegações da própria Block; até a publicação desta matéria, não foram divulgados tamanho do modelo, volume e procedência dos dados de treino, licença, preço ou métricas reproduzíveis.

Por que treinar sem texto muda a conversa

Texto registra as palavras, mas elimina uma parcela grande da informação presente na voz. Ritmo, volume, respiração, risada, duração de uma pausa, sobreposição de falas e mudanças de entonação ajudam pessoas a interpretar dúvida, cansaço, ironia e urgência. Em um pipeline convencional, parte desses elementos pode ser descartada ou transformada em marcadores simplificados antes de o modelo decidir como responder.

O desenho anunciado pela Block tenta tratar esses sinais como parte nativa da interação. Isso não significa que modelos baseados em texto não consigam produzir vozes expressivas: ferramentas comerciais já usam controles e etiquetas para estilo, emoção e ritmo. A diferença reivindicada pelo Dessa é aprender a coordenação conversacional diretamente do áudio, em vez de adicionar expressividade depois que a resposta textual já foi formulada.

Essa distinção é relevante sobretudo em conversas de baixa latência. Uma resposta correta, porém atrasada ou emitida sobre a fala do usuário, pode parecer artificial. O objetivo do full duplex é reduzir esse problema: o agente precisa detectar se uma pausa é o fim de uma frase, um convite para falar ou apenas um instante de hesitação.

O que foi mostrado — e o que ainda não foi comprovado

A Block publicou exemplos de diálogos em que Dessa ri, hesita, altera a cadência e conversa com outra IA de voz. Em reportagens que ouviram as demonstrações, o modelo aparece mais expressivo do que assistentes tradicionais em alguns trechos. Porém, demos controladas não substituem avaliação independente: elas não revelam a taxa de interrupções indevidas, a consistência em diálogos longos, o desempenho em sotaques, ruído, português brasileiro ou cenários de atendimento reais.

Também permanece aberta a pergunta mais importante para uso profissional: como o modelo lida com fatos, raciocínio, recuperação de informações e instruções complexas. Modelos de voz podem soar convincentes mesmo quando a resposta não é confiável. A Block diz que Dessa aprendeu linguagem e conhecimento com as conversas de treino, mas não publicou testes comparáveis para verificar esse ponto. Naturalidade vocal e qualidade factual são capacidades relacionadas, mas não equivalentes.

Disponibilidade: pesquisa de segurança antes de produto

O Dessa não foi lançado como API, aplicativo ou modelo aberto. A Block abriu uma lista de espera e disse que pretende dar acesso inicial a pesquisadores de segurança. A escolha é coerente com o tipo de risco criado por uma voz muito persuasiva: engenharia social, golpes por telefone, personificação de pessoas e relações emocionais excessivas com agentes são cenários que exigem testes antes de uma distribuição ampla.

Para empresas brasileiras, isso significa que não existe hoje um caminho confirmado para integrar Dessa a um call center, aplicativo bancário, assistente de vendas ou fluxo de atendimento. O anúncio deve ser entendido como uma prévia de pesquisa, não como uma alternativa disponível a APIs de voz já comercializadas.

Impacto prático para produtos de IA no Brasil

Se as alegações de execução local forem confirmadas em uso independente, a principal consequência pode ser reduzir dependência de nuvem em interfaces de voz. Isso interessa a produtos que lidam com dados sensíveis, operam em locais com conectividade instável ou precisam manter latência baixa. Em setores como varejo, educação, acessibilidade e suporte técnico, uma conversa que respeita turnos e contexto acústico pode tornar a interface menos frustrante.

Há, porém, um custo de responsabilidade. Uma voz mais humana aumenta a necessidade de aviso explícito de que o interlocutor é uma IA, de registros de consentimento, de controles contra clonagem e de rotas de escalonamento para atendimento humano. No Brasil, essas medidas precisam ser avaliadas também à luz da LGPD, especialmente quando o áudio pode revelar dados pessoais ou características biométricas.

Limitações que não podem ser escondidas

• Sem acesso público: não há como testar o desempenho fora das demonstrações selecionadas pela empresa.
• Sem benchmarks publicados: não foram informadas métricas de latência, precisão, robustez, segurança ou comparação com concorrentes.
• Sem detalhes de dados: a origem, diversidade linguística e consentimento relacionados às conversas de treinamento não foram detalhados.
• Sem suporte confirmado a português: a Block não anunciou idiomas, desempenho por sotaque ou planos de localização.
• Naturalidade não garante confiabilidade: uma resposta emocionalmente convincente ainda pode conter erros ou induzir confiança indevida.

Análise do NoticIA: a inovação está na interação, não em uma promessa de consciência

Na análise do NoticIA, o ponto mais interessante do Dessa não é a afirmação de parecer humano, mas a tentativa de tratar a fala como um canal completo de percepção e resposta. A indústria avançou rapidamente em modelos que entendem texto e sintetizam áudio; um sistema que aprende a dinâmica de turnos, hesitações e sinais sociais diretamente de conversas pode deslocar a qualidade percebida das interfaces de voz.

Mas a narrativa precisa de freios. Uma IA que transmite emoção com mais fidelidade pode ser mais útil em acessibilidade e conversação natural, ao mesmo tempo em que se torna mais eficaz para manipular, simular intimidade ou aplicar fraudes. Sem avaliações externas, documentação técnica e mecanismos verificáveis de segurança, a apresentação da Block é uma hipótese técnica forte — não uma prova de superioridade geral.

O que observar a seguir

Os próximos sinais de maturidade serão concretos: documentação da arquitetura, resultados de pesquisadores independentes, clareza sobre dados e idiomas, políticas de proteção contra personificação e uma forma de acesso que permita comparação justa. Até lá, o Dessa indica uma direção importante para a IA de voz: menos foco em “ler uma resposta” e mais foco em participar de uma conversa. A diferença será decisiva apenas se vier acompanhada de transparência e controles proporcionais à capacidade de persuasão do sistema.