A Block, de Jack Dorsey, revelou um novo modelo de voz de seu laboratório de pesquisa, e ele soa assustadoramente humano — completo com risadas, pausas e choros. O modelo, chamado Dessa, roda localmente e é treinado totalmente em fala humana e em um único rack de GPUs NVIDIA. Porque nada diz "emoção humana autêntica" como um rack de GPUs.

Dessa é um modelo full-duplex, o que significa que pode falar e ouvir ao mesmo tempo, assim como o modelo GPT-Live da OpenAI lançado no início deste ano. Normalmente, modelos de fala são emparelhados com um grande modelo de linguagem para recuperação de conhecimento, mas a Block afirma que o conhecimento do Dessa vem dos dados conversacionais com os quais foi treinado. Então não é apenas uma voz bonita — é uma voz bonita que pode realmente saber coisas.

A Block argumenta que os modelos atuais soam antinaturais e irritantes porque têm texto no pipeline conduzindo a geração de fala. Muitos modelos, como ElevenLabs v4 ou Fish Audio Drama 3, usam tags de voz para direcionar a emoção. A empresa de Dorsey afirma que a emoção está embutida no Dessa — embora não esteja claro se essa emoção é direcionada por algum tipo de tag. É como dizer que seu carro tem felicidade embutida, mas não mencionar o cheirinho de ar com carinha sorridente.

"Interagir com a IA de voz atual pode simplesmente ser péssimo", disse a empresa em um post no blog, em um raro momento de honestidade corporativa. "Ela transforma sua voz em texto e joga fora uma quantidade incrível de informações que o texto sozinho não consegue carregar. As IAs mais poderosas do mundo não conseguem ouvir como você se sente. Achamos isso ridículo, leva a uma experiência pior e é potencialmente perigoso." A Block tem razão: uma IA que não percebe que você está chateado é apenas um chatbot sofisticado com ouvido de pau.

Os pesquisadores da empresa postaram vários exemplos de conversas com Dessa, em que o agente exibia diferentes vozes, cadências e emoções. Em um deles, o bot disse que estava cansado do trabalho — e soou cansado. Coisa revolucionária: uma IA que pode reclamar do emprego como o resto de nós. Outro exemplo mostrou o bot falando sobre uma pessoa que o deixou confortável enquanto soava emotivo e quase desmoronando. Finalmente, uma IA que pode ter um colapso sem precisar de terapeuta.

A Block diz que Dessa pode rodar localmente em um computador de consumo como um MacBook M4 Max ou melhor. No entanto, não há acesso público no momento, e a Block fez um chamado para pesquisadores de segurança testarem o modelo — provavelmente para sondar casos em que um agente de voz possa enganar pessoas do outro lado. Porque a única coisa mais assustadora que uma IA que soa humana é uma IA que soa humana e está tentando te aplicar um golpe.

A Block atua no ramo de finanças e na venda de soluções para pequenas empresas. O Square já usa IA de voz para lidar com pedidos, mas com seu próprio modelo de voz no dispositivo, a Block poderia impulsionar muito mais experiências empresariais e de consumo a um custo menor. Então, da próxima vez que você pedir um café pelo Square, não se surpreenda se o barista soar um pouco humano demais — e um pouco cansado demais.