Un nuevo modelo de inteligencia artificial de voz entrenado exclusivamente con grabaciones de conversaciones humanas —sin texto, sin modelos de lenguaje preexistentes— marca un punto de inflexión en el diseño de sistemas de interacción oral. Desarrollado por el laboratorio de Block, el modelo denominado Dessa opera bajo una arquitectura speech-to-speech: recibe audio y responde en audio, eliminando por completo la conversión intermedia a texto que caracteriza a los asistentes de voz convencionales.

Arquitectura full-duplex y procesamiento local

Dessa funciona en modo full-duplex, lo que le permite escuchar y hablar de forma simultánea, de manera análoga a una llamada telefónica real. Esta capacidad le habilita para reaccionar en tiempo real a interrupciones, pausas, dudas o risas durante una conversación, sin necesidad de esperar a que el interlocutor termine de hablar. El sistema puede ejecutarse de forma local en hardware con chip M4 Max o superior, sin depender de servidores externos para el procesamiento, lo que reduce la latencia a niveles por debajo del tiempo de la interacción misma.

Esta combinación —procesamiento en dispositivo y respuesta en tiempo real— tiene implicaciones directas para entornos donde la privacidad de los datos y la velocidad de respuesta son variables críticas: atención al cliente, salud, servicios financieros y cualquier industria donde la conversación sea el canal principal.

Un enfoque de aprendizaje sin texto

El equipo detrás del modelo, liderado por Ragavan Thurairatnam e integrado por exmiembros de la startup canadiense Dessa —adquirida por Block en 2020 y reconocida en 2019 por recrear sintéticamente la voz del conductor Joe Rogan—, tomó una decisión metodológica deliberada: entrenar el sistema como aprende un ser humano en sus primeras etapas, únicamente a través de la escucha, sin contacto con lenguaje escrito.

Este enfoque introduce desafíos técnicos considerables. Las grabaciones publicadas por el equipo muestran tanto momentos de naturalidad como errores evidentes —como confundir el nombre del interlocutor—, lo que refleja el estado experimental del sistema. Sin embargo, también documentan conversaciones sobre películas y anécdotas personales que sostienen diálogos coherentes y variados.

Implicaciones para el mercado de asistentes de voz

La motivación declarada del proyecto responde a tres ejes: explorar los límites del aprendizaje automático sin texto, mejorar la calidad de la interacción humano-máquina, y abordar problemas de seguridad vinculados a la interpretación de emociones por parte de los asistentes de voz actuales. Este último punto es especialmente relevante en un contexto donde los sistemas de IA conversacional comienzan a integrarse en procesos de decisión sensibles.

El equipo también realizó una demostración conectando a Dessa con GPT-Live-1, el modelo de voz de OpenAI, aclarando que no existe ningún vínculo comercial entre ambas organizaciones. El ejercicio ilustra la posibilidad de interoperabilidad entre modelos de voz de distintas arquitecturas, una frontera que el mercado aún no ha formalizado.

Mientras los modelos de lenguaje de texto dominan el debate sobre IA generativa, el desarrollo de sistemas de voz nativos —sin dependencia del texto como capa intermedia— abre una línea de evolución distinta, con potencial para redefinir los estándares de latencia, privacidad y naturalidad en la comunicación automatizada.