// CLUBIC — INTELLIGENZA ARTIFICIALE
Cette IA apprend à parler sans savoir lire, mais la promesse de Jack Dorsey a ses limites
Et si une intelligence artificielle pouvait apprendre à parler simplement en écoutant des conversations humaines ? C’est le pari de Block avec Dessa, un nouveau modèle vocal capable de dialoguer en temps réel, sans passer par le texte.
Jack Dorsey ne s’intéresse pas qu’aux paiements et aux cryptomonnaies. Le cofondateur de Twitter, désormais à la tête de Block, maison mère de Square et Cash App, vient de dévoiler Dessa, une intelligence artificielle vocale entraînée exclusivement à partir de conversations humaines.
Présentée le 23 octobre sur X, cette IA aurait appris à converser uniquement en écoutant des humains. Pas de transcriptions ni de textes pour l’entraîner et aucun modèle de langage préexistant. Dorsey n’hésite d’ailleurs pas à la présenter comme le modèle vocal full-duplex « le plus authentique jamais construit ».
La plupart des assistants vocaux traditionnels commencent par transcrire ce que vous dites, confient le texte à un modèle de langage, puis transforment sa réponse en parole. Une méthode efficace, mais qui peut faire disparaître une bonne partie des subtilités de la conversation comme l’ironie, les hésitations ou, encore, les émotions.
Dessa se passe entièrement de cette étape écrite. Elle traite directement les sons et génère une réponse vocale, tout en continuant d’écouter son interlocuteur.
C’est le principe du full-duplex, qui permet aux deux participants de parler simultanément, comme lors d’une conversation téléphonique. L’IA peut donc intervenir spontanément, glisser un petit « mh-mh » pour montrer qu’elle suit ou se laisser interrompre sans perdre le fil.
Block affirme également que son modèle sait reproduire les rires, les soupirs, le sarcasme et différentes émotions. Des capacités déjà explorées par d’autres laboratoires, notamment avec Moshi de Kyutai ou PersonaPlex de NVIDIA. La particularité revendiquée par Dessa tient surtout à son apprentissage exclusivement oral, là où ces projets reposent aussi sur des modèles entraînés à partir de texte.
L’autre surprise concerne les ressources nécessaires. Selon Block, Dessa a été entraînée sur un seul système NVIDIA GB200 NVL72, une baie équipée de 72 GPU Blackwell. Une configuration impressionnante, mais bien plus modeste que les gigantesques infrastructures utilisées pour entraîner les principaux modèles de langage.
Mieux encore, l’entreprise assure que son IA fonctionne localement, plus vite que le temps réel, sur un MacBook Pro équipé d’une puce M4 Max, ou sur une machine plus puissante.
Une perspective intéressante pour disposer demain d’assistants vocaux performants sans envoyer systématiquement ses conversations dans le cloud.