Block, компания-разработчик Square и Cash App, представила Dessa — речевую модель, обученную полностью на человеческой речи без текстовых данных. Система обрабатывает аудио напрямую, а не преобразует его сначала в текст, поэтому в реальном времени распознает эмоции, сарказм, смех и паузы. Для компаний, внедряющих голосовых агентов, это важно, поскольку нынешние голосовые системы регулярно упускают сигналы, определяющие намерения клиентов.
Устройство Dessa и этап тестирования
По сообщению Block, Dessa построена с нуля как модель, изначально работающая со звуком. Обычные голосовые конвейеры транскрибируют речь в текст и затем обрабатывают эту расшифровку, теряя тон, темп и выразительность голоса. Dessa пропускает промежуточный этап и работает с самим звуком, сохраняя сигналы, недоступные текстовым моделям. Это различие принципиально для звонков в поддержку и продающих диалогов.
Модель поддерживает полнодуплексную связь, то есть может слушать и говорить одновременно. Такая архитектура повторяет естественный диалог, где прерывания, короткие реакции и наложение реплик несут смысл. Block также сообщает об умеренных требованиях к инфраструктуре: Dessa работает локально на MacBook Pro M4 Max и была обучена на одном NVIDIA GB200 NVL72. Локальный запуск снижает задержку и оставляет голосовые данные на устройстве.
Среди мотивов проекта Block называет любопытство, интерес к более качественной коммуникации человека и ИИ, а также вопросы безопасности. Компания считает, что голосовой ИИ, игнорирующий эмоциональные сигналы, может неверно понимать пользователей и отвечать неуместно. Dessa пока недоступна публично, а команда ищет исследователей безопасности ИИ для проверки модели на неожиданные риски. Заинтересованные специалисты могут подать заявку через форму.
Что голосовые модели дают бизнесу
Для компаний, использующих голос в продажах и сервисе, обработка именно звука может изменить квалификацию обращений и маршрутизацию. Агент, слышащий неуверенность, раздражение или сарказм, способен скорректировать скрипт, раньше передать диалог дальше или предложить соединение с человеком до эскалации конфликта. Небольшие фирмы смогут получить такую чувствительность без крупных серверных мощностей, если подтвердится локальное развертывание, а крупные контакт-центры сократят задержки транскрибации и станут лучше обрабатывать прерывания.
В то же время покупателям следует отличать выразительную подачу от качества ответов. Ранее выпущенные проекты показывают этот разрыв: Hume AI запустила EVI в марте 2024 года, Kyutai выпустила Moshi в сентябре 2024 года, LAION с конца 2023 года развивает открытый синтез эмпатичной речи, а OpenAI в июне 2025 года обновила ChatGPT Advanced Voice Mode, улучшив интонации и паузы. Естественное звучание голоса еще не гарантирует точного рассуждения, а способность рассуждать во время ответа сильнее влияет на результат.
Показателем станет итог проверки Dessa на безопасность и возможный ограниченный доступ после нее. Если внешние исследователи подтвердят корректную работу с эмоциональными сигналами и Block перейдет к партнерскому доступу, голосовые модели такого типа заслужат пилотов в поддержке и взыскании. До этого распознавание эмоций остается перспективным сигналом, а не доказанным фактором конверсии.
