Dessa: la IA de voz de Block que aprendió sin texto

Por Redacción Pangea IA · 24 de octubre de 2026

Block, la empresa dirigida por Jack Dorsey, ha presentado Dessa, un modelo de inteligencia artificial capaz de escuchar y hablar al mismo tiempo que, según la compañía, fue entrenado desde cero únicamente con conversaciones humanas: sin texto y sin apoyarse en un modelo preentrenado. La propuesta todavía es una demostración de investigación, pero señala una vía distinta para construir asistentes de voz más naturales.

La novedad se hizo pública el 23 de octubre y ya cuenta con demostraciones de conversación, una página técnica de Block y cobertura independiente. Sin embargo, no hay una aplicación abierta al público, una API comercial, pesos descargables, precio ni resultados de evaluaciones comparables. Dessa debe entenderse hoy como una prueba de que una IA puede aprender lenguaje y ciertos conocimientos directamente del audio, no como un producto listo para sustituir a los agentes de voz disponibles.

Qué es Dessa y qué ha presentado Block

Dessa es un modelo de voz a voz de dúplex completo. En términos sencillos, recibe audio y genera audio sin convertir necesariamente cada intervención en una transcripción intermedia. Además, puede escuchar mientras habla, algo importante en una conversación real: las personas se interrumpen, hacen pausas, reaccionan con sonidos breves y ajustan el tono antes de terminar una frase.

Block afirma que el sistema fue entrenado desde cero con conversaciones humanas y que no utilizó texto ni modelos previos. La empresa también sostiene que Dessa adquirió conocimiento general y capacidad de razonamiento a partir del audio. Son afirmaciones relevantes, pero por ahora proceden del propio equipo y no están respaldadas por un artículo científico revisado por pares, un informe técnico detallado o pruebas independientes reproducibles.

La compañía muestra conversaciones en las que el modelo mantiene el ritmo, expresa matices emocionales y responde sin la rigidez habitual de los asistentes que esperan a que el usuario termine. Block asegura asimismo que puede ejecutarse en local en un MacBook Pro con chip M4 Max o superior y que la inferencia funciona más rápido que el tiempo real. No ha publicado, no obstante, la metodología exacta de esa medición.

Aspecto	Lo confirmado hasta ahora
Arquitectura	Modelo directo de voz a voz con conversación de dúplex completo
Entrenamiento	Block afirma que usó conversación humana, sin texto ni modelos preentrenados
Ejecución	La empresa dice que funciona en un MacBook Pro M4 Max o superior
Acceso	Vista previa de investigación y lista de espera para un grupo reducido de investigadores de seguridad
Información pendiente	Parámetros, datos, idiomas, pesos, API, precio, benchmarks y calendario comercial

Por qué entrenar una IA de voz sin texto es diferente

Muchos sistemas de voz se construyen como una cadena de tres pasos: reconocimiento de voz, modelo de lenguaje y síntesis de voz. Esa arquitectura es práctica y permite inspeccionar la transcripción, pero puede perder información que no cabe en las palabras: entonación, duda, ironía, respiración, velocidad, emoción o el momento exacto de una interrupción.

Un modelo entrenado directamente sobre audio intenta aprender esas señales de forma conjunta. En teoría, esto puede producir respuestas con un ritmo más humano y permitir que el sistema detecte cuándo debe continuar, callarse o reaccionar. El enfoque conecta con la carrera actual por agentes capaces de conversar en tiempo real, donde compiten modelos como GPT-Live-1.1 de OpenAI y las propuestas de Eleven Realtime para agentes de voz.

La diferencia de Dessa no consiste solo en sonar mejor. Block plantea que el propio conocimiento del modelo se habría formado desde el habla. Si esa conclusión se confirma, demostraría que el texto no es imprescindible para desarrollar algunas capacidades lingüísticas y de razonamiento. También podría abrir modelos especializados en lenguas orales, acentos o situaciones donde la escritura no refleja bien la comunicación cotidiana.

Lo que muestran las demostraciones y lo que no prueban

Las muestras publicadas por Block permiten escuchar conversaciones rápidas, juegos de adivinanzas y respuestas con pausas o cambios de tono. The Verge comprobó que el resultado puede parecer más natural que el de un sistema encadenado, aunque también recogió fallos: en una demostración el modelo confundió inicialmente la identidad del interlocutor y en otras se desvió hacia asuntos inesperados.

Esas imperfecciones son importantes. Una conversación convincente no equivale a una respuesta correcta, segura o útil. La naturalidad de la voz puede aumentar la confianza del usuario incluso cuando el contenido es erróneo. En servicios de salud, atención al cliente, finanzas o emergencias, esa apariencia de comprensión puede convertirse en un riesgo si no existen verificación, trazabilidad y una salida clara hacia una persona.

Tampoco sabemos si las grabaciones seleccionadas son representativas. Block no ha publicado tasas de error, latencia medida de extremo a extremo, rendimiento en ambientes ruidosos, resistencia a interrupciones, cobertura de idiomas o comparación controlada con rivales. The Indian Express subraya igualmente que no hay datos sobre el número de parámetros, API, precio, pesos o evaluaciones públicas. Por eso no puede afirmarse que Dessa sea hoy el mejor modelo de voz.

Privacidad, seguridad y el problema de las emociones

Entrenar una IA solo con conversaciones desplaza la atención hacia el origen y el tratamiento de las grabaciones. Block no ha detallado públicamente el volumen, los idiomas ni la composición del conjunto de datos. Tampoco ha explicado en la página de presentación cómo se obtuvieron los consentimientos, cómo se gestionan las voces de terceras personas o qué medidas se aplican contra la memorización y la reproducción de fragmentos.

Para una empresa española o europea, una futura herramienta de este tipo exigiría revisar el RGPD desde el diseño: finalidad, base jurídica, minimización, conservación, transferencias y derechos de las personas. La voz es un dato personal cuando permite relacionar una grabación con alguien, y puede convertirse en dato biométrico especialmente protegido si se procesa para identificar de forma única a una persona.

También conviene separar comprender el tono conversacional de inferir emociones como una verdad objetiva. El Reglamento europeo de IA prohíbe el reconocimiento de emociones en centros de trabajo y educativos salvo excepciones médicas o de seguridad. Una pyme no debería interpretar la promesa de una IA “sensible a la emoción” como permiso para puntuar el estado anímico de empleados, candidatos o clientes.

Block afirma que dará acceso temprano a un grupo reducido de investigadores de seguridad. Es una decisión prudente, pero todavía faltan pruebas sobre suplantación de voz, instrucciones maliciosas por audio, generación de contenido dañino, filtración de datos y respuestas ante personas vulnerables. La comparación pertinente no será solo qué modelo suena más humano, sino cuál informa mejor de sus límites y permite auditar lo ocurrido.

Qué significa para pymes y autónomos

A corto plazo, Dessa no cambia las decisiones de compra: no hay producto, precio ni disponibilidad general. Una empresa no puede contratarlo ni integrarlo hoy en su centralita. La opción sensata es observar su evolución y evaluar soluciones comerciales con datos reales sobre idioma, latencia, coste, soporte y tratamiento de grabaciones.

A medio plazo, el enfoque sí puede alterar el mercado. Un agente que escuche y hable de manera simultánea podría gestionar interrupciones, silencios o cambios de tono con menos fricción. Eso sería útil en reservas, soporte técnico, accesibilidad, formación oral o asistentes manos libres. La ejecución local también podría reducir algunos envíos de audio a la nube, aunque “funcionar en local” no garantiza por sí solo privacidad: depende de dónde se procesen y almacenen las conversaciones.

No planificar una implantación hasta que exista acceso, contrato y documentación técnica.
Exigir pruebas en español, con acentos y ruido reales del negocio.
Separar calidad de voz de exactitud, seguridad y resolución del problema.
Mantener supervisión humana y una transferencia visible hacia una persona.
Evitar usos de identificación biométrica o inferencia emocional sin una revisión jurídica específica.

Una pista sobre el futuro de la conversación con máquinas

Dessa es editorialmente relevante porque cuestiona una suposición arraigada: que un sistema conversacional debe aprender primero a través del texto y añadir la voz después. Block propone el camino inverso, más parecido al aprendizaje oral humano, y muestra que puede ejecutarse en hardware de consumo de gama alta. Es una señal tecnológica interesante, no una validación definitiva.

La prueba decisiva llegará cuando investigadores externos puedan medirlo, se conozca la procedencia de los datos y haya comparaciones reproducibles en varios idiomas. Hasta entonces, lo responsable es distinguir entre lo demostrado —conversaciones fluidas en muestras seleccionadas— y lo afirmado por la empresa —razonamiento aprendido solo del audio, superior naturalidad y utilidad para la seguridad—.

Conclusión

Block ha abierto una vía atractiva para la próxima generación de asistentes de voz: modelos que escuchan y hablan a la vez, conservan la riqueza acústica y no dependen de una tubería de texto. Dessa merece atención por esa arquitectura y por funcionar, según la empresa, en un portátil potente. Pero sigue siendo una vista previa cerrada, sin benchmarks, detalles de entrenamiento ni condiciones comerciales. Su valor actual está en la dirección que señala, no en una promesa inmediata de sustitución.

Lecturas relacionadas

Fuentes consultadas

Block: presentación oficial de Dessa, consultada el 24 de octubre de 2026.
The Verge: análisis de las demostraciones y limitaciones de Dessa, publicada el 23 de octubre de 2026 y consultada el 24 de octubre de 2026.
The Indian Express: disponibilidad y datos técnicos aún no publicados, consultada el 24 de octubre de 2026.
Comisión Europea: prácticas prohibidas y reconocimiento de emociones en el Reglamento de IA, consultada el 24 de octubre de 2026.
Comisión Europea: marco de protección de datos y RGPD, consultada el 24 de octubre de 2026.