IA · 24 ottobre 2026 · 4 min di lettura
Addestrata solo sulla voce, senza passare dal testo: la scommessa di Block su Dessa
In sintesi: Block, la società guidata da Jack Dorsey, ha svelato Dessa, un innovativo modello di intelligenza artificiale addestrato esclusivamente su registrazioni di conversazioni vocali umane. A differenza dei sistemi attuali che convertono l'audio in stringhe di testo prima di elaborarlo, Dessa apprende la conoscenza del mondo e le modulazioni emotive direttamente dal parlato. L'architettura full-duplex consente interruzioni e risposte istantanee, con l'ulteriore vantaggio di poter essere eseguita in locale su personal computer di fascia alta.
di Team Mocchi's
Per anni l'interazione vocale con l'intelligenza artificiale si è basata su una catena a tre passaggi: un algoritmo di trascrizione trasforma le parole dell'utente in testo, un grande modello linguistico elabora la risposta scritta e un motore di sintesi vocale legge l'output finale. Questo paradigma ha garantito ampie banche dati di conoscenza, ma ha privato la comunicazione orale delle sue caratteristiche fondamentali: tono, cadenza, esitazioni e tempi di reazione naturali. Block, il colosso fintech fondato da Jack Dorsey, ha deciso di azzerare questa pipeline presentando Dessa, un modello di intelligenza artificiale addestrato da zero unicamente su dialoghi umani parlati.
Oltre la trascrizione: un'architettura nativa per il suono
L'intuizione alla base di Dessa riproduce il percorso di apprendimento umano. Come ha spiegato il gruppo di ricerca di Block guidato da Ragavan Thurairatnam, i bambini imparano a conversare molto prima di saper leggere o scrivere: l'obiettivo del laboratorio era verificare se un'architettura neurale potesse sviluppare capacità di ragionamento e comprensione del contesto assorbendo unicamente informazioni sonore. Stando a quanto descritto da TechCrunch, il modello acquisisce la propria conoscenza del mondo direttamente dalle interazioni vocali contenute nei dati di addestramento, aggirando del tutto l'intermediazione del testo scritto.
Questo approccio radicale supera i limiti tipici dei motori di sintesi che impiegano etichette sintetiche o metadati per simulare enfasi ed emozioni. In Dessa la dinamica espressiva, dai respiri alle esitazioni fino alle variazioni d'intensità, emerge come parte intrinseca del segnale acustico appreso, eliminando la sensazione di artificialità comune alla maggior parte degli assistenti attuali.
Dialogo bidirezionale e dinamiche di conversazione
Dal punto di vista funzionale, Dessa è un sistema full-duplex: il modello è in grado di ascoltare e produrre voce contemporaneamente nello stesso canale. Questa caratteristica permette all'interlocutore di interrompere l'assistente, sovrapporsi nel discorso o correggere una richiesta al volo, esattamente come accade tra due persone.
I primi test condivisi dal team di ricerca mostrano interazioni che spaziano da sessioni di giochi a quiz a discussioni su cinema e viaggi. Nelle dimostrazioni documentate da The Verge, il comportamento vocale si adatta prontamente al registro dell'utente, pur manifestando talvolta tratti imprevisti, come passaggi logici improvvisi o lievi fraintendimenti iniziali tipici dei modelli emergenti. Dorsey e il suo team hanno evidenziato come trasformare la voce in testo impoverisca l'interazione di segnali critici, rendendo gli assistenti sordi a sfumature come l'ansia, l'ironia o il dolore fisico, con ricadute dirette anche sulla sicurezza dei sistemi di supporto.
Elaborazione locale e requisiti hardware
Uno degli elementi più significativi del progetto riguarda i requisiti computazionali. Nonostante la complessità del trattamento diretto delle forme d'onda, Block ha progettato il modello per operare in locale su hardware dedicato di livello consumer. Il team ha confermato che l'inferenza può essere eseguita su workstation dotate di una singola GPU Nvidia o su computer portatili equipaggiati con processori Apple Silicon come l'M4 Max.
L'esecuzione edge-native risolve alla radice il problema della latenza introdotta dai viaggi di andata e ritorno verso i data center in cloud, fattore che finora ha impedito la naturalezza del parlato nelle soluzioni tradizionali. Al contempo, il modello tutela la privacy delle comunicazioni vocali, evitando che registrazioni sensibili varchino il perimetro del dispositivo dell'utente. Al momento l'accesso a Dessa viene concesso in forma limitata a ricercatori indipendenti specializzati in sicurezza dell'IA, in attesa di definire le modalità di integrazione nei prodotti commerciali del gruppo.
Il punto di Mocchi's
Il passaggio a modelli audio-nativi come Dessa traccia la rotta definitiva per l'interazione uomo-macchina, superando la rigidità degli attuali risponditori vocali che costringono l'utente ad attendere la fine del ciclo trascrizione-sintesi. Per le aziende che intendono integrare assistenti per il supporto clienti, l'automazione operativa o gli ambienti industriali a mani libere, l'esecuzione in locale apre scenari concreti di privacy e reattività istantanea a costi infrastrutturali ridotti. La sfida, sul piano dello sviluppo applicativo, sarà bilanciare questa spontaneità conversazionale con guardrail deterministici, garantendo che l'empatia acustica non comprometta l'accuratezza operativa dei processi aziendali.