Block lance Dessa, un modèle vocal IA entraîné sans texte ni LLM

Dessa : quand l'IA apprend à parler sans jamais lire

Jack Dorsey, cofondateur de Twitter et PDG de Block, a annoncé le 23 octobre 2026 le lancement de Dessa, un modèle vocal d'intelligence artificielle développé par les équipes de Block. Ce qui distingue fondamentalement Dessa de ses concurrents est son mode d'entraînement : le modèle n'a jamais vu un seul mot écrit. Il a été entraîné exclusivement sur des enregistrements de conversations humaines, sans passer par une étape de transcription textuelle et sans partir d'un modèle de langage pré-entraîné.

Cette approche radicalement différente des architectures dominantes — qui convertissent généralement la parole en texte (ASR), traitent le texte avec un LLM, puis synthétisent la voix (TTS) dans une chaîne à trois étages — a des implications techniques importantes. Dessa opère directement sur les représentations audio, apprenant les patterns de la conversation humaine dans leur forme acoustique native, y compris les hésitations, les chevauchements de parole, le rire, le sarcasme et les inflexions émotionnelles.

Le modèle est décrit comme full-duplex : il peut écouter et parler simultanément, à la manière d'un interlocuteur humain. Cette capacité, absente de la plupart des assistants vocaux actuels qui fonctionnent en mode push-to-talk (on parle, puis on écoute la réponse), permet des échanges plus naturels. Dessa peut interrompre l'utilisateur, émettre des backchannels ("mm-hmm", "ouais", "ok") au fil de l'écoute, et gérer les pauses et relances comme dans un vrai dialogue.

Jack Dorsey a qualifié Dessa de "modèle speech-to-speech full-duplex le plus authentique jamais construit" dans un message ayant généré plus de 6,7 millions de vues sur X. Block n'a publié ni le nombre de paramètres du modèle, ni d'API, ni de pricing, ni les poids du modèle, ni de résultats de benchmark standardisés. Les preuves publiques disponibles se limitent pour l'instant aux démos publiées par Block, dont une conversation entre Dessa et le modèle vocal d'OpenAI.

Sur le plan matériel, Block indique que Dessa peut tourner en local sur un MacBook Pro M4 Max ou supérieur, avec une inférence plus rapide que le temps réel, et sur un seul GPU NVIDIA pour les configurations serveur. Ces caractéristiques, si elles se confirment, en feraient un modèle nettement plus efficace que les solutions concurrentes nécessitant des clusters de GPU pour l'inférence vocale en temps réel.

L'accès à Dessa est actuellement limité à une preview de recherche derrière une liste d'attente. Block indique avoir accordé un accès anticipé à un groupe restreint de chercheurs en sécurité de l'IA, signalant une prise en compte précoce des risques associés à un modèle vocal aussi naturaliste, notamment la génération de deepfakes audio et les usages malveillants en vishing.

La présentation de Dessa intervient dans un contexte de concurrence intense sur le segment des modèles vocaux. Des acteurs majeurs ont lancé ou amélioré leurs solutions vocales tout au long de 2026, et Dessa se positionne différemment en ciblant non pas la qualité de synthèse isolée, mais la naturalité de l'interaction conversationnelle complète, un segment jusqu'ici peu adressé par les architectures texte-centrées.

La connexion de Block avec le domaine financier est également notable : Dessa pourrait trouver des applications dans les interfaces de service client vocal pour Cash App (la néobanque de Block), Square, et les produits Bitcoin/Lightning Network que Block développe activement. Un assistant vocal capable de gérer des transactions financières de manière naturelle représenterait un avantage compétitif significatif dans le secteur fintech.

L'IA vocale atteint la parité humaine : implications et risques

L'annonce de Dessa marque une étape potentielle dans la progression des modèles vocaux vers la parité humaine. Si le modèle tient ses promesses, il pourrait réduire à néant les méthodes actuelles de détection des voix synthétiques basées sur la latence, les artefacts de stitching audio ou l'absence de backchanneling naturel.

Les implications pour la sécurité sont directes et préoccupantes. Les attaques par vishing (phishing vocal) constituent déjà une menace croissante documentée par le FBI et l'ANSSI. Un modèle vocal IA capable de reproduire fidèlement le rythme, les hésitations et les émotions d'une conversation humaine authentique rend la détection humaine encore plus difficile. Les entreprises s'appuyant sur l'authentification vocale ou les procédures de validation téléphonique doivent réévaluer ces mécanismes de sécurité.

Sur le plan réglementaire, Dessa arrive dans un contexte où l'AI Act européen est en phase d'application progressive. Les dispositions relatives aux systèmes de synthèse vocale et de deepfake audio exigent un marquage de l'origine artificielle du contenu généré. La décision de Block de restreindre l'accès initial aux chercheurs en sécurité IA suggère une conscience de ces obligations, mais la question du marquage lors d'un déploiement élargi restera centrale.

L'approche "speech-only training" de Dessa soulève également des questions de recherche fondamentale. Si un modèle peut acquérir des capacités conversationnelles avancées sans passer par la compréhension du langage écrit, cela remet en question certaines hypothèses sur le rôle central du texte dans l'apprentissage des modèles de langage. Des chercheurs en linguistique computationnelle notent que la parole porte des informations pragmatiques — prosodie, emphase, émotion — que le texte ne capture pas fidèlement.

Ce qu'il faut retenir

• Dessa est le premier modèle vocal public entraîné sans texte, capable d'interaction full-duplex naturaliste incluant émotions, rires et interruptions.
• Le modèle tourne en local sur un MacBook Pro M4 Max, signalant une efficacité computationnelle inhabituellement élevée pour ce type de système.
• Les organisations utilisant l'authentification vocale ou les procédures de validation téléphonique doivent intégrer ce nouveau niveau de naturalisme dans leur modèle de menace vishing.