Il y a un moment, dans les démos de Dessa, où le modèle prend son interlocuteur pour un certain « Ronaldo ». Un peu plus loin, il part sur les Superman de Bryan Singer alors qu’on lui parle de Christopher Nolan. Et quand on lui annonce un voyage surprise à Paris, il répond un truc que le site de Block décrit lui-même comme une « gratitude les larmes aux yeux ».
Block (Square, Cash App, Jack Dorsey aux manettes) a dévoilé en fin de semaine dernière un modèle vocal qui n’a jamais lu un seul mot. Dessa a été entraîné « de zéro sur rien d’autre que de la conversation humaine », dixit la boîte. Pas de texte, pas de transcription, pas de montagne de pages web avalées avant d’apprendre à dire bonjour. Block parle même du premier modèle entraîné uniquement sur de la parole humaine.
Des voix synthétiques qui sonnent humain, on en a déjà une pile. Sauf que le projet ne consiste pas à coller des sanglots sur un synthétiseur. Il consiste à supprimer la couche texte. C’est là que le truc mérite qu’on s’y arrête.
La parole n’est pas du texte abîmé
L’argument de l’équipe Dessa, posé tel quel sur son site : un bébé apprend à parler sans jamais voir un mot écrit. Ils ont voulu savoir si un modèle pouvait faire pareil. Il peut. « C’est juste très dur. »
Tous les assistants vocaux que tu connais font le chemin inverse. Ils transcrivent ta voix en texte, réfléchissent en texte, puis re-synthétisent. Entre l’entrée et la sortie, il y a une perte sèche : le débit, le tremblement, la respiration, le silence de trois secondes avant la réponse. Block appelle ça du gâchis, et sur ce point précis, difficile de lui donner tort.
Dessa traite l’audio directement. Full-duplex, donc il écoute pendant qu’il parle, comme GPT-Live chez OpenAI. Le lead du projet, Ragavan Thurairatnam, a partagé une conversation où l’échange tient à peu près la route, hésitations comprises. Block affirme aussi que le savoir de Dessa vient de ses données conversationnelles, pas d’un LLM branché à côté pour faire le cerveau.
L’entraînement a tenu sur un seul rack Nvidia GB200 NVL72. Pour situer : les modèles de frontière se paient des grappes entières, des milliers de puces, des contrats d’électricité. Un rack unique pour un modèle qui parle, c’est le genre de détail que Block aurait tort de ne pas marteler, et il le martèle.
L’émotion intégrée, la preuve en option
Les voisins ne sont pas à la ramasse. Hume AI a sorti son interface vocale « empathique » en mars 2024, Kyutai a suivi avec Moshi en septembre 2024, LAION travaille sur Open Empathic depuis fin 2023, et OpenAI a refait la voix de ChatGPT en juin 2025 avec plus d’intonation, de pauses et de sarcasme. ElevenLabs v4 et Fish Audio Drama 3 pilotent carrément l’émotion à coups de balises dans le prompt. Block répond que chez lui, l’émotion est dans le modèle. On ne sait pas si des balises jouent encore un rôle. Ce n’est pas un détail de plomberie, c’est la différence entre un acteur et une marionnette.
Il y a aussi le retour de bâton technique. Paraître ému, ce n’est pas être ému, ni être intelligent. The Decoder le rappelle sèchement : pour une IA vocale avancée, ce qui compte, c’est de raisonner pendant qu’elle répond, parce que ça change la qualité de la réponse, pas la chaleur de l’intonation. Un modèle qui verse sa larme au bon moment et se plante sur ta question reste un modèle qui se plante. J’avais écrit il y a quelques jours que le prompt parfait n’existait pas et que la conversation était l’interface ; ajouter la voix ne dispense pas de savoir de quoi on parle.
Le mot « sécurité » comme cordon rouge
Block donne trois raisons : la curiosité (« aka fun »), la compréhension entre humains et machines, la sécurité. La troisième est la plus solide. Une voix qui continue à débiter ses conseils pendant que tu es en train de souffrir, c’est un problème réel, et aucun benchmark ne le mesure aujourd’hui.
Sauf que Dessa n’est pas disponible. Pas de poids, pas de papier détaillé, pas d’évals publiées. Un petit groupe de chercheurs en sécurité aura l’accès anticipé, via un formulaire d’inscription. Les démos, elles, sont sélectionnées par Block. Le passage où Dessa « fait plus naturel » que GPT-Live-1, c’est une comparaison maison, sans protocole ni juge indépendant. Ça ne veut pas dire que c’est faux. Ça veut dire que ce n’est pas une preuve.
Le vrai mobile est peut-être plus bas, du côté de Square, qui utilise déjà de la voix pour prendre des commandes. Un modèle qui tourne sur un MacBook Pro M4 Max, c’est un modèle qui ne facture pas de tokens à chaque phrase. Dans le commerce de rue et la commande au comptoir, la latence et le coût pèsent plus lourd que la capacité à verser une larme sur un Paris surprise.
Restent les questions que Block ne traite pas. Un modèle qui n’a jamais lu, dans quelle langue raisonne-t-il ? J’ai déjà raconté comment GPT-OSS-20B continuait à penser en anglais quand on lui parlait français : ce biais vient du texte, justement. Dessa devrait produire des bizarreries d’un autre genre. On n’en saura rien tant que la porte reste fermée.
En attendant, on a un modèle qui confond ton prénom avec Ronaldo, qui débarque avec Superman au milieu d’un débat sur Nolan, et qui chiale quand tu lui annonces un billet d’avion. Franchement, la plupart de mes potes humains font exactement pareil.
Sources :
Comments are closed