En resumen
Block Dessa es un modelo de IA de voz que se entrenó únicamente con grabaciones de personas hablando, sin ningún texto, y todavía no es algo que puedas usar. Block lo anunció el 23 de octubre de 2026 como un adelanto de investigación: escucha y habla al mismo tiempo, se ríe y suspira por sí solo, se entrenó en un rack NVIDIA GB200 NVL72 y se ejecuta en un MacBook Pro M4 Max. Hay una lista de espera y acceso anticipado para investigadores de seguridad, pero no hay API, precio, pesos ni resultados en pruebas comparativas.
Mi conclusión tras revisar la página de Block, sus 21 demos y un hilo de Hacker News con 199 comentarios: Dessa es el modelo de voz con el sonido más natural del que he oído hablar, y también el que más lejos está de ser un producto. Los comentaristas que desarrollan agentes de voz coincidían una y otra vez en la misma carencia. Habla de maravilla, pero nada de lo que Block ha mostrado hasta ahora le permite consultar un pedido, seguir un guion o llamar a una herramienta.
Para los equipos de soporte, esa carencia lo es todo. En las colas para las que desarrollo agentes en eesel, lo difícil nunca ha sido sonar humano, sino actuar sobre datos reales de las cuentas. Swiftreg responde a tickets sobre matrículas a partir de datos de pedidos en tiempo real y bajo reglas que redactó la propia empresa, en unos 2.100 tickets de Zendesk al mes. Sigue a Dessa como un hito de investigación; si tu cola necesita ayuda este trimestre, lo que puedes poner en marcha es un compañero de IA para tu mesa de ayuda por correo electrónico y chat.
Por qué investigué Dessa
Soy ingeniero de software en eesel y paso mis días desarrollando los agentes de IA que trabajan dentro de las mesas de ayuda de nuestros clientes. Cada pocos meses aparece un nuevo modelo de voz con una demo que hace que un responsable de soporte me escriba para preguntar: "¿deberíamos estar usando ya IA para el teléfono?". Después de GPT-Live-1, Grok Voice Think Fast 2.0 y Decagon Voice 3, Dessa es el siguiente.
Así que hice lo que hago con cada lanzamiento: leí todo lo que el proveedor había publicado realmente, escuché los clips y separé lo que dijo Block de lo que otras personas dieron por hecho. Esa segunda parte importa más de lo habitual en este caso, porque Block ha publicado muy poco y gran parte de la cobertura llena los vacíos con conjeturas.
¿Qué es Block Dessa?
Dessa es un modelo de voz a voz full-duplex desarrollado por un pequeño laboratorio de investigación en IA dentro de Block, la empresa detrás de Square, Cash App y Afterpay. En palabras de Block, es "audio in, audio out", y "everything it knows came from human speech."
Hay tres cosas que lo diferencian de la mayoría de las IA de voz que has usado:
- Prescinde por completo del texto. Block dice que el equipo lo entrenó "from scratch on nothing but human conversation", con "no text, no pretrained models." La mayoría de los asistentes de voz se construyen sobre un modelo de texto.
- Es full-duplex. "listens and talks at the same time, like you do," y aprendió de los datos cuándo intervenir y cuándo dar pequeñas señales de escucha con un "yeah!" o un "got it!".
- Percibe y expresa emociones. Block dice que "natively hears and speaks emotion, sarcasm, laughter, a frustrated sigh, a voice cracking with sadness."
El laboratorio es muy pequeño. La página de Block enumera a un responsable, Ragavan Thurairatnam, seis investigadores, tres becarios y dos exbecarios, y dice que el laboratorio depende directamente de Jack Dorsey. El equipo fue fundado por antiguos miembros de Dessa, la startup de aprendizaje profundo de Toronto que Square adquirió, de ahí el nombre. Aquella startup original era conocida por la detección de deepfakes, un antecedente interesante para un equipo que ahora desarrolla el modelo de voz con el sonido más humano que existe.
"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech."
Esa publicación de lanzamiento consiguió 16.807 me gusta, y la publicación del propio Jack Dorsey, que lo describía como "the most authentic full-duplex speech model ever built", superó los 68.000. La expectación es real. La pregunta es qué hay detrás.
¿En qué se diferencia el funcionamiento de Dessa del de otras IA de voz?
La mayoría de los agentes de voz actuales funcionan como una cadena de tres modelos: la conversión de voz a texto transforma tu voz en palabras, un modelo de texto escribe una respuesta y la conversión de texto a voz la lee. He escrito sobre esa configuración en mi comparativa de Realtime, Whisper y TTS. Funciona, y así es como se gestionan hoy la mayoría de las llamadas telefónicas con IA y los agentes de IA para centros de llamadas.
La parte que habla suele estar a cargo de un proveedor de voz como ElevenLabs. Sonic 3, de Cartesia, es otra opción habitual.
El argumento de Block es que el primer paso descarta la parte más humana de la conversación. Su página lo dice sin rodeos: la IA de voz actual "turns your voice into text and throws away an incredible amount of information text alone can't carry. The most powerful AIs in the world can't hear how you feel."
Dessa sustituye toda esa cadena por un único modelo que escucha audio y produce audio. Como nunca lo convierte en texto, la risa, la pausa y el suspiro forman parte tanto de lo que aprende como de lo que produce. Modelos como gpt-realtime de OpenAI también procesan el habla directamente, y GPT-Live-1 delega el razonamiento más complejo en un modelo de backend independiente como GPT-5.5. Lo que distingue a Dessa, según Block, es que nunca vio texto.
Lo sorprendente, si se confirman las afirmaciones de Block, es la eficiencia. Block dice lo siguiente:
- Dessa "learned language from hundreds of times fewer words" que los grandes modelos de texto.
- Se entrenó en "only one NVIDIA GB200 NVL72", un solo rack en lugar de un centro de datos.
- La inferencia "runs faster than real time" y "runs locally on a MacBook Pro M4 Max or better."
Block también enumera preguntas de investigación abiertas que quiere explorar: "How efficiently do they learn language and facts compared to text? How efficiently can they learn new languages? What sorts of In-context learning can they perform?" Me gusta que la página lo diga abiertamente. Es un laboratorio de investigación diciéndote que aún no lo sabe.
¿Qué muestran realmente las demos de Dessa?
La página de Block contiene 21 grabaciones: seis clips destacados con descripciones y 15 muestras más, de entre 1:42 y 5:01. Block dice "Nobody steers it" y que los subtítulos se añadieron después. Cada clip se reproduce como dos pistas sincronizadas, una humana y otra de Dessa.
Estos son los clips destacados y lo que Block dice que muestra cada uno:
| Clip de demo | Duración | Lo que destaca Block |
|---|---|---|
| Hablando del lanzamiento | 2:52 | Se ríe a mitad de una frase y sube el volumen cuando le piden que hable más alto |
| Recordando una película | 2:39 | Completa el título de una película que la persona no lograba recordar |
| Una sorpresa de aniversario | 1:52 | Exclama "oh my god" en voz baja y luego suena agradecido |
| Conversación expresiva | 3:03 | "Huge range in intonation and speed" |
| Consejos de vida | 4:57 | Suena "genuinely empathetic" |
| Dessa en conversación con GPT-Live-1 | 2:25 | Interrupciones, paciencia y señales de escucha rápidas |
Ese último clip es lo más parecido a una comparativa que ofrece Block. Son dos voces de IA hablando entre sí, con una nota que indica que "the developer of GPT-Live-1 is not affiliated with Block and has not reviewed or endorsed Dessa." Es divertido escucharlo, pero sirve para hacerse una idea, no como prueba comparativa.
También hay un juego de adivinanzas en X, donde un becario juega con el modelo y, en palabras de Block, "the model guesses the first one right straight away, and the second doesn't take long either." Ragavan lo presentó como prueba de que Dessa "developed world knowledge" únicamente a partir del audio.
¿Qué no nos ha contado Block todavía?
Esta es la parte que se salta la mayoría de la cobertura del lanzamiento, y es la que determina si Dessa te importa. A fecha del 27 de octubre de 2026, la página de Dessa de Block es la única publicación oficial. No hay informe técnico, artículo científico, ficha del modelo ni repositorio en GitHub.
Lo que falta:
- Tamaño del modelo. No hay un número de parámetros, así que no se puede contrastar "runs on an M4 Max" con las necesidades de memoria.
- Latencia. "Faster than real time" es una afirmación sobre la capacidad de procesamiento. No hay una cifra en milisegundos del tiempo hasta el primer audio, que es el dato que determina si una llamada se siente natural.
- Pruebas comparativas. No hay resultados frente a GPT-Live-1, Grok Voice, Gemini o modelos abiertos. Solo frases cualitativas como "Other models wait for you to finish, then laugh on cue."
- Idiomas. Las demos están en inglés. Una muestra se titula "Singing nonsense Spanish", que no es lo mismo que ofrecer soporte en español.
- Acceso. No hay API, precio, licencia ni pesos abiertos. El pie de página dice "Launch links are coming soon."
Nada de esto es una crítica a la investigación. Es normal que un laboratorio pequeño comparta trabajo en una fase temprana. Solo significa que cualquier artículo que te diga que Dessa "supera" a otro modelo está haciendo conjeturas, y que cualquier plan que hagas hoy en torno a él se basa en clips de demostración.
¿Qué dice la gente sobre Dessa?
El hilo de Hacker News tiene 532 puntos y 199 comentarios, y X se llenó de actividad con los clips de las demos. Las reacciones se dividieron en tres grupos.
El realismo impresionó a mucha gente. El comentario con más respuestas del hilo hablaba del hardware, no de la voz:
"The conversation examples are impressive but this made me say holy shit out loud: 'it runs locally on a MacBook Pro M4 Max or better. And we figured out how to train Dessa on only one NVIDIA GB200 NVL72.'"
Pero no todo el mundo oyó lo mismo. A un comentarista la muestra de la página de inicio le pareció "absolutely awful", y otro dijo que su esposa, sin conocimientos técnicos, identificó correctamente la voz de IA al primer intento.
La voz va por delante del cerebro. Esta fue la crítica más habitual entre quienes han desarrollado agentes de voz:
"The speech realism is very good, but the intelligence is pretty clearly 2024-level."
Otro comentarista detectó un dato inventado en la demo de la película, que vinculaba a Bryan Singer con Superman IV. Es un buen recordatorio de que una voz segura hace que las alucinaciones de la IA sean más convincentes, no menos.
Estafas y suplantación de identidad. Varias personas expresaron su preocupación por el efecto de un modelo de voz convincente y local sobre el fraude telefónico:
"Block says it runs locally on a high-end MacBook. Once something like that is out, there's no server in the middle to watch it or switch it off. Research preview for now. Soon the only way to know you're talking to a human will be to hang up and call back."
Block parece ser consciente de esto. Sus motivos declarados para desarrollar Dessa son "curiosity (aka fun), better understanding between humans and AI, and safety," y el primer acceso externo será para investigadores de seguridad, no para desarrolladores. Lo que Block aún no ha publicado es una ficha del modelo, resultados de pruebas de ataque ni ningún sistema de marcas de agua en el audio. OpenAI, en cambio, añade marcas de agua al audio de GPT-Live con SynthID y lo limita a voces predefinidas, así que ese es el nivel que esperaría que Dessa alcanzara antes de un lanzamiento público.
¿Podría Dessa gestionar llamadas de atención al cliente?
No en su forma actual, y los motivos son concretos. Un agente de soporte telefónico necesita hacer cuatro cosas además de sonar bien: llamar a herramientas (consultar el pedido, emitir el reembolso), seguir un guion o una política, responder a partir de tu propio centro de ayuda y conectarse a tu sistema telefónico mediante una API. Block no ha anunciado ninguna de ellas.
La comunidad de HN lo expresó con más dureza de la que usaría yo:
"Given that it lacks both broad world knowledge and tool calling integration in any way, that seems kind of like a dead-end."
No creo que sea un callejón sin salida. Otro comentarista sugirió separar las partes de escucha y habla de un modelo intermedio que gestione las consultas a la base de conocimientos y las llamadas a herramientas, lo que parece un camino sensato. Pero eso es trabajo futuro, y Block no ha dicho que lo esté haciendo.
También hay una cuestión de experiencia del cliente para la que nadie tiene respuesta todavía. El rasgo característico de Dessa es interrumpir y dar señales de escucha como una persona. Varios comentaristas dijeron que eso es precisamente lo que detestarían en una línea de soporte:
"I get irrationally angry when actual people interrupt me while I'm talking, I'll start throwing chairs when AI tech support agents start doing it."
Por lo que he visto en colas reales de soporte, los clientes perdonan una voz ligeramente robótica que resuelve el problema. No perdonan una encantadora que no puede hacerlo. Cuando pongo en marcha un agente en eesel, primero lo pruebo en una simulación con los tickets históricos del equipo, precisamente porque el fallo que hace daño es una respuesta incorrecta dada con seguridad, no una pausa incómoda. Si la IA telefónica está en tus planes, empieza por lo que ya ofrece tu mesa de ayuda. Zendesk tiene agentes de IA de voz, y Freshdesk tiene agentes de Freshcaller.
Si buscas herramientas independientes que puedas implementar ya, mis guías de agentes de IA de voz para soporte y de la mejor IA para soporte telefónico son el punto de partida.
¿Cómo se compara Dessa con los modelos de voz que puedes usar hoy?
Como Block no ha publicado resultados, una comparación honesta se centra en lo que te permite hacer cada uno, no en cuál suena mejor.
| Block Dessa | GPT-Live-1 | Grok Voice Think Fast 2.0 | |
|---|---|---|---|
| Cómo está construido | Un modelo basado solo en el habla, sin entrenamiento con texto | Capa de voz que delega el razonamiento en un modelo de backend como GPT-5.5 | Modelo de voz con razonamiento integrado |
| ¿Puedes usarlo hoy? | Solo lista de espera e investigadores de seguridad | Sí, mediante API | Sí, mediante API |
| Precio publicado | Ninguno | 0,05 $ por minuto para la capa de voz | 0,08 $ por minuto |
| Llamadas a herramientas | No anunciadas | Sí | Sí |
| Se ejecuta localmente | Sí, en un MacBook M4 Max o superior (según Block) | No | No |
| Pruebas comparativas publicadas | Ninguna | Sí | Sí |
| Marcas de agua en el audio | No anunciadas | SynthID | No se aborda aquí |
Curiosamente, la configuración de GPT-Live-1 se parece a lo que aquel comentarista de Hacker News propuso para Dessa: una capa de voz para la conversación y un modelo independiente para el razonamiento y las llamadas a herramientas. Mi análisis de GPT-Live-1 y mi desglose de precios profundizan en ello.
La ejecución local es la única novedad que Dessa aporta a esa tabla. Un modelo de voz que se ejecuta en un portátil abre posibilidades para asistentes sin conexión, juegos y práctica de idiomas que las API en la nube no ofrecen. Si te interesa la IA local, vale la pena leer sobre él junto con otros lanzamientos que se ejecutan en el propio dispositivo, como Nemotron 3.5 Bolt, o mi lista de agentes de IA de código abierto.
Sin embargo, para cualquier aplicación de cara al cliente este año, los modelos con API y llamadas a herramientas ganan por defecto, y el modelo de voz es solo una parte de un agente de IA funcional. Mi recopilación de agentes de IA de voz y el análisis de Grok Voice Agent Builder son mejores puntos de partida que una lista de espera.
¿Quién debería prestar atención a Dessa?
- Investigadores de seguridad en IA: sí, directamente. Block los busca de forma explícita, con un formulario de acceso anticipado que acepta un correo electrónico institucional.
- Desarrolladores de IA de voz: síguelo de cerca. Si Block publica los pesos o una API, un modelo basado solo en el habla que se ejecute localmente sería una nueva opción real.
- Responsables de soporte y experiencia del cliente: tómenlo como una señal, no como un plan. Las mejoras más rápidas en llamadas hoy son cosas como resumir llamadas en tickets y una automatización más amplia del centro de llamadas. Está claro que la IA de voz va a sonar más humana. Si puede actuar sobre tus datos es otra cuestión que Dessa aún no responde.
- Cualquiera que se preocupe por las estafas telefónicas: es una preocupación razonable. Acordar una palabra clave familiar para las llamadas inesperadas es una medida de bajo coste que puedes empezar a usar ahora.
Prueba eesel
Dessa muestra hacia dónde va la IA de voz: más humana, más emocional y, con el tiempo, local. La parte a la que aún no ha llegado, actuar sobre datos reales de las cuentas bajo tus propias reglas, es lo que el compañero de IA para tu mesa de ayuda de eesel ya hace en tickets de correo electrónico y chat. Aprende de tu centro de ayuda y tus tickets anteriores, puede consultar pedidos antes de responder y deriva la conversación a una persona cuando corresponde.
SamCart usa un agente en sus tickets de Freshdesk y otro en el chat de su sitio web, que responden a partir de 280 artículos del centro de ayuda. Swiftreg gestionó unos 2.100 tickets de Zendesk en un mes a partir de datos de pedidos en tiempo real, con unas 1.500 respuestas públicas enviadas. Ambos funcionan en las colas que ya tenían, sin necesidad de lista de espera.
Si tu cola de tickets necesita ayuda antes de que la IA de voz madure, prueba eesel gratis y empieza probándolo con tus propios tickets anteriores.