Block porta Dessa oltre il testo: la voce AI corre su MacBook e sfida OpenAI

La notizia non è l’ennesima demo di una voce sintetica più espressiva: Block, la società di Jack Dorsey dietro Square e Cash App, sostiene di aver costruito con Dessa un modello conversazionale che non passa dal testo, non usa un modello linguistico preaddestrato come spina dorsale e lavora direttamente sull’audio. La pagina ufficiale del progetto lo definisce un sistema audio in, audio out, mentre The Decoder lo ha raccontato come un tentativo di recuperare segnali che i modelli testuali tendono a perdere: tono, pause, risate, esitazioni, sarcasmo e cambiamenti emotivi nella voce.

La differenza dichiarata da Block è netta. Nei normali assistenti vocali, anche molto avanzati, il parlato viene spesso trascritto, interpretato da un modello testuale e poi trasformato di nuovo in voce. Dessa, secondo l’azienda, è invece stato addestrato «solo su conversazioni umane»: niente testo, niente modelli preaddestrati, niente trascrizione come passaggio centrale. È una tesi forte, ma per ora resta una tesi industriale: Block non ha pubblicato un paper, non ha rilasciato i pesi, non ha indicato il numero di parametri, non ha comunicato quante ore di audio abbia usato e non ha fornito test indipendenti.

Che cosa dice Block: audio diretto, full-duplex e inferenza locale

Il cuore tecnico di Dessa è il funzionamento full-duplex: il modello ascolta e parla nello stesso momento, come accade in una conversazione umana. Nelle demo pubblicate da Block, Dessa inserisce brevi segnali di ascolto, interrompe in modo naturale, ride nel mezzo di una frase, alza il volume quando glielo si chiede e prova a completare una frase quando l’interlocutore non ricorda il titolo di un film. Block specifica che le clip sono registrazioni dal vivo con sottotitoli aggiunti dopo, senza guida esterna su cosa il modello debba dire.

Il punto più rilevante per gli sviluppatori è la promessa di inferenza locale: Block afferma che Dessa gira più velocemente del tempo reale su un MacBook Pro M4 Max o superiore. Se confermato fuori dalle demo, significherebbe poter eseguire una conversazione vocale naturale senza mandare ogni scambio nel cloud. È un salto importante per latenza, costi e privacy, ma oggi non è verificabile perché non esistono binari pubblici, API, documentazione di integrazione o benchmark standardizzati.

Anche l’addestramento dichiarato merita una precisazione. Block dice di aver addestrato Dessa su un solo NVIDIA GB200 NVL72, ma non si tratta di una singola GPU: la scheda tecnica di NVIDIA descrive il GB200 NVL72 come un sistema a rack raffreddato a liquido con 36 Grace CPU e 72 GPU Blackwell collegate da NVLink. È comunque un’infrastruttura molto più contenuta rispetto ai cluster multi-datacenter usati per alcuni modelli di frontiera, ma non è hardware domestico.

Componenti del rack NVIDIA GB200 NVL72Valori in unità

• Grace CPU36
• Blackwell GPU72

La scelta del MacBook come soglia minima di esecuzione serve a Block per posizionare Dessa come modello vocale potenzialmente utilizzabile su dispositivi locali. Non significa però che il modello sia già pronto per un’app consumer. La stessa pagina del progetto invita prima un gruppo ristretto di ricercatori di sicurezza AI a chiedere accesso, con un modulo che richiede nome, email istituzionale e link professionale opzionale. Per il pubblico più ampio c’è una lista d’attesa.

Chi ha costruito Dessa dentro Block

Dessa non nasce da un reparto marketing di Square, ma da un piccolo laboratorio interno di ricerca AI. La pagina è firmata da Ragavan Thurairatnam, indicato come lead del progetto, e cita un gruppo formato anche da Louay Hazami, Hashiam Kadhim, Qi Liu, Rayhane Mama, Aydin Polat e Marc Tyndel, con il contributo di stagisti e former intern. Il laboratorio, scrive Block, è composto da ex membri di Dessa, la startup di Toronto acquisita da Square nel febbraio 2020.

Quel precedente conta. La vecchia Dessa era nota per il lavoro su deep learning e media generativi; Square la comprò per rafforzare le proprie capacità di machine learning in aree come engagement, gestione del rischio e prodotti finanziari. Oggi il marchio torna come nome di un modello vocale sperimentale, in un contesto molto diverso: non più solo applicazioni fintech interne, ma competizione diretta sull’interfaccia più ambita dell’AI consumer, la conversazione naturale.

Perché “solo parlato” è una scelta radicale

La maggior parte dei sistemi vocali moderni usa il parlato come interfaccia, non come fondamento dell’intelligenza del modello. Il percorso classico è: riconoscimento automatico del parlato, ragionamento su testo, generazione di testo, sintesi vocale. Questo approccio è robusto e sfrutta l’enorme quantità di dati testuali disponibili, ma sacrifica elementi paralinguistici: una pausa lunga, un sospiro, una risata nervosa, un accento, una voce spezzata possono cambiare il significato di una frase senza modificarne le parole.

Block sostiene che questo problema sia anche di sicurezza. L’esempio usato dall’azienda è semplice: una persona potrebbe essere in forte dolore, ma un assistente vocale che interpreta solo la trascrizione rischierebbe di continuare come se nulla fosse. Da qui la chiamata ai ricercatori: un modello capace di “sentire” emozioni e segnali non verbali deve essere testato anche per gli errori opposti, cioè attribuire emozioni non presenti, reagire in modo manipolativo o sembrare troppo umano in contesti delicati.

Il tema non parte da zero. Nel 2022 Google Research aveva presentato AudioLM, un approccio alla generazione audio capace di proseguire parlato senza usare trascrizioni. Nel 2023, il progetto dGSLM di Meta AI e Inria aveva mostrato un modello “textless” per generare dialoghi naturalistici addestrato su 2.000 ore di conversazioni telefoniche a due canali. La differenza, nel racconto di Block, è che Dessa punta alla conversazione live realistica, non solo alla generazione o continuazione di campioni audio.

Anche i concorrenti più vicini hanno scelto compromessi diversi. Kyutai ha pubblicato Moshi, un modello full-duplex speech-to-speech disponibile con codice e pesi, ma costruito sopra un backbone testuale chiamato Helium e con una latenza pratica dichiarata di circa 200 millisecondi. Il lavoro di Kyutai documenta dataset, architettura e procedure di addestramento: usa il dataset Fisher da 2.000 ore per il multi-stream e genera oltre 20.000 ore di parlato sintetico per l’instruction tuning. Dessa, al momento, non offre un livello simile di trasparenza.

Ore audio dichiarate nei lavori precedenti

• dGSLM Fisher2000 ore
• Moshi dati sintetici20000 ore

Il confronto con OpenAI, Hume, Sesame e Google

Il mercato delle voci AI è già affollato. Hume AI aveva lanciato nel 2024 l’Empathic Voice Interface, descritto come un sistema capace di usare misure dell’espressione vocale insieme a LLM, trascrizione e sintesi vocale. Sesame, nel 2025, ha presentato il Conversational Speech Model, riconoscendo però che la generazione di prosodia non basta a modellare la struttura di una conversazione fatta di turni, pause e ritmo.

OpenAI ha spinto nella stessa direzione con le modalità vocali di ChatGPT. La system card di GPT-4o descrive un modello multimodale che lavora su testo, immagini, audio e video, con valutazioni specifiche sui rischi della modalità vocale. Le note di rilascio di ChatGPT indicano poi che GPT-Live-1, introdotto per Voice nel luglio 2026, può ascoltare e parlare nello stesso momento, oltre a usare ricerca web, memoria, testo e immagini nella stessa conversazione.

Il confronto con GPT-Live-1 compare direttamente nelle demo di Block: Dessa conversa con un modello terzo chiamato proprio GPT-Live-1, ma Block precisa che lo sviluppatore di quel modello non è affiliato al progetto e non ha revisionato né approvato Dessa. È una nota importante perché il video può sembrare una gara tra sistemi, ma resta una selezione curata dal produttore di uno dei due. La stessa cautela vale per le clip più riuscite: emozione e naturalezza sono evidenti nelle registrazioni, ma non misurano affidabilità, ragionamento o robustezza.

Google, dal canto suo, offre già interazioni vocali in tempo reale con Gemini Live. La documentazione per sviluppatori della Live API parla di conversazioni naturali in cui l’utente può interrompere il modello in qualsiasi momento. La sfida di Dessa è diversa: non aggiungere un livello vocale a un sistema multimodale generale, ma dimostrare che il parlato possa essere il materiale primario da cui un modello apprende conversazione, tempistica e conoscenza.

Che cosa non sappiamo ancora

Il limite principale della notizia è la verificabilità. Block non dice quante lingue supporti Dessa, quanto sia grande il modello, quanto duri il contesto conversazionale, come vengano rappresentati internamente i segnali audio, se il sistema possa usare strumenti esterni, se abbia memoria, se sappia gestire rumore ambientale reale o se tenda a inventare fatti più dei modelli testuali. L’affermazione secondo cui avrebbe imparato con “centinaia di volte meno parole” rispetto agli LLM non è accompagnata da una base numerica pubblica.

Le demo mostrano comportamenti notevoli, ma anche i primi osservatori hanno segnalato momenti meno convincenti. The Verge ha descritto alcune conversazioni come naturali ma a tratti goffe o perturbanti, citando per esempio un caso in cui il modello chiama l’interlocutore “Ronaldo” e un passaggio in cui devia su film di Superman parlando di Christopher Nolan. Sono dettagli utili: indicano che Block non ha pubblicato solo una clip perfetta, ma non bastano a sostituire test ripetibili.

Per le aziende italiane interessate a call center, assistenti bancari, sanità digitale o customer care, la conseguenza pratica è chiara: Dessa va osservato, non integrato. Non esiste ancora un prodotto, non esiste un listino, non esiste un contratto enterprise e non esiste documentazione per sviluppatori. Se un sistema simile arrivasse sul mercato europeo, entrerebbe inoltre nel perimetro dell’AI Act: l’articolo 50, applicabile dal 2 agosto 2026, impone trasparenza per sistemi interattivi, contenuti audio sintetici e strumenti di riconoscimento emotivo o categorizzazione biometrica, secondo le linee guida della Commissione europea.

C’è poi un nodo sociale. Una voce capace di ridere, sospirare, interrompere e reagire con apparente empatia può rendere migliori interfacce oggi frustranti, ma può anche aumentare il rischio di impersonificazione, truffe telefoniche, dipendenza emotiva o falsa attribuzione di stati d’animo. Non a caso OpenAI, nella propria documentazione di sicurezza su GPT-4o, elenca rischi specifici della voce: identificazione del parlante, generazione non autorizzata di voci, contenuti audio protetti e inferenze non fondate su caratteristiche sensibili. Dessa dovrà essere valutato su quel terreno, non solo sulla naturalezza.

La posta in gioco: non una voce più bella, ma un diverso modo di imparare

Se le dichiarazioni di Block saranno confermate, Dessa rappresenterà un esperimento importante perché mette in discussione l’idea che l’intelligenza conversazionale debba passare prima dal testo. Il testo ha dato ai modelli linguistici scala, conoscenza e strumenti di valutazione; il parlato porta informazioni più ricche ma molto più difficili da comprimere, segmentare e confrontare. Una singola frase detta con accento diverso, ritmo diverso o enfasi su una parola diversa può cambiare completamente significato.

Per questo Dessa non va giudicato come un sostituto immediato di ChatGPT Voice, Gemini Live o Moshi. È più corretto leggerlo come un prototipo di ricerca che prova a spostare il baricentro: dal linguaggio scritto alla conversazione acustica. Il passo successivo atteso non è una nuova clip, ma un rapporto tecnico: architettura, dati, benchmark, failure mode, red teaming, test multilingue e condizioni d’uso. Senza questi elementi, il modello resta promettente ma non confrontabile.

La scelta di partire dai ricercatori di sicurezza è quindi coerente con il prodotto che Block dice di aver costruito. Un modello vocale che sembra capire emozioni e tempi umani deve prima dimostrare di non confondere fragilità con consenso, sarcasmo con aggressività, tristezza con bisogno di persuasione o naturalezza con verità. È lì che si deciderà se Dessa è solo una demo impressionante o l’inizio di una categoria tecnica diversa.

Domande e risposte

Che cos’è Dessa di Block?

Dessa è un modello AI vocale mostrato da Block il 23 ottobre 2026. Secondo l’azienda è stato addestrato da zero solo su conversazioni umane, senza testo e senza modelli preaddestrati. Funziona speech-to-speech, ascolta e parla insieme e per ora è accessibile solo tramite richiesta a un gruppo ristretto di ricercatori di sicurezza.

Dessa è già disponibile per il pubblico?

No. Al 24 ottobre 2026 Block non ha pubblicato app, API, pesi del modello, prezzo o data di rilascio generale. La pagina ufficiale permette di chiedere accesso anticipato se si è ricercatori di sicurezza AI e di iscriversi a una lista d’attesa per aggiornamenti futuri.

In cosa Dessa è diverso da ChatGPT Voice o Gemini Live?

La differenza dichiarata è l’addestramento: Dessa, secondo Block, ha imparato solo dal parlato umano, mentre sistemi come ChatGPT Voice e Gemini Live fanno parte di piattaforme multimodali che integrano testo, audio e altri input. Anche GPT-Live-1 e Gemini Live supportano conversazioni più naturali, ma Dessa punta a eliminare il testo come base di apprendimento.

Perché l’addestramento solo su voce è importante?

Il parlato contiene segnali che la trascrizione perde: tono, ritmo, pause, risate, esitazioni e sarcasmo. Block sostiene che un modello nativo audio possa reagire meglio a emozioni e contesto. Il rischio è che sbagli interpretazione: senza test indipendenti non sappiamo quanto Dessa capisca davvero questi segnali.

Dessa può essere usato nei call center italiani?

Non oggi. Mancano prodotto commerciale, documentazione, API e garanzie di conformità. Se arrivasse in Europa, un sistema simile dovrebbe rispettare l’AI Act, incluse le regole di trasparenza applicabili dal 2 agosto 2026 per sistemi interattivi, audio sintetico e strumenti che rilevano emozioni.