Els assistents de veu actuals solen convertir allò que diem en text, el passen a un model de llenguatge i després tornen a convertir la resposta en veu. Block, l'empresa de pagaments que dirigeix Jack Dorsey i a la qual pertany Square, sosté que així es perd molta informació, com ara l'estat d'ànim de qui parla, i en un article del seu bloc admet que parlar amb la veu artificial d'avui pot arribar a ser frustrant.
Per això el seu laboratori de recerca ha presentat Dessa, un model de veu que, segons Block, produeix parla expressiva, amb rialles, pauses i fins i tot plors. L'empresa afirma que l'ha entrenat només amb parla humana, amb un sol bastidor de GPU de Nvidia, i que s'executa en local, en un ordinador de consum com un MacBook M4 Max o superior. També és «full-duplex»: pot parlar i escoltar alhora, com el model GPT-Live que OpenAI va estrenar enguany. A diferència d'altres sistemes, Block diu que no el connecta a un gran model de llenguatge per saber coses: el coneixement li ve de les converses amb què s'ha entrenat.
A les demostracions que l'equip ha publicat, l'agent canvia de veu, de ritme i d'emoció; en una diu que està cansat i ho sembla, i en un joc d'endevinar amb un membre de l'equip encerta aviat. Si funciona fora del laboratori, un model que s'executi al dispositiu podria abaratir serveis de veu com els que Square ja fa servir per a comandes.
Però hi ha límits clars. Dessa no està disponible per al públic, totes les afirmacions sobre el rendiment són de Block i del seu equip, i TechCrunch no hi ha trobat cap avaluació independent. L'article tampoc explica com es controla l'emoció, quan models rivals com ElevenLabs v4 o Fish Audio Drama 3 fan servir etiquetes de veu. Block ha demanat a investigadors de seguretat que el provin, també per saber si un agent de veu podria enganyar la persona que hi parla.