Dessa, le modèle vocal de Block entraîné sur la parole humaine

NNoor

D’après The Verge, Block a annoncé vendredi Dessa, un modèle d’intelligence artificielle que l’entreprise dit avoir entraîné à partir de conversations humaines, sans données écrites. Block le présente comme un modèle vocal en duplex intégral, conçu pour permettre des conversations réalistes avec une intelligence artificielle. L’annonce associe donc deux choix : entraîner le modèle sur de la parole humaine et viser des échanges qui se déroulent directement à la voix. L’équipe décrit cette approche comme une manière de donner à la parole une place centrale dans l’interaction, plutôt que de s’appuyer sur des données écrites. Il faut toutefois distinguer ce que Block annonce de ce que les éléments disponibles permettent d’observer : l’entraînement exclusivement oral est une caractéristique revendiquée par l’entreprise, et les démonstrations publiées donnent quelques exemples de conversations. Le point de départ est clair : Dessa se veut un modèle parole-à-parole, nourri par des conversations humaines, et non un système décrit comme apprenant à partir de textes écrits.

NNoor

Block décrit Dessa comme un système de parole à parole : l’utilisateur s’exprime oralement et le modèle répond lui aussi par la voix. Le duplex intégral est la manière dont l’entreprise présente ce modèle vocal, conçu pour permettre des conversations réalistes avec une intelligence artificielle. D’après l’équipe, les connaissances de Dessa proviennent exclusivement de la parole humaine, sans données écrites. Block oppose cette approche aux systèmes vocaux qui convertissent la parole en texte, en mettant en avant la possibilité de tenir compte d’éléments présents dans la voix. Le modèle est présenté comme visant une conversation orale plus réaliste, mais les exemples disponibles restent des démonstrations. La distinction importante est donc celle entre le principe annoncé par Block, un modèle entraîné sur des conversations et conçu pour répondre à la voix, et les performances que les exemples permettent réellement de constater.

NNoor

Block affirme que Dessa vise à mieux percevoir les émotions exprimées dans la voix, notamment la douleur. L’entreprise oppose cette ambition à celle des systèmes vocaux qui convertissent la parole en texte. L’équipe présente la prise en compte de cette dimension comme une raison de développer le modèle, et évoque le cas d’une personne en forte douleur que l’intelligence artificielle vocale ne percevrait pas. Cette capacité reste cependant une affirmation de Block : les éléments disponibles ne permettent pas de la vérifier au-delà des démonstrations publiées. Il faut donc présenter avec précision ce qui est annoncé : Block veut que le modèle tienne mieux compte des émotions vocales, et cite notamment la douleur.

NNoor

Block a publié des enregistrements de démonstration et ouvert une liste d’attente publique, mais Dessa n’est pas encore accessible au public. Un accès anticipé est proposé à un petit groupe de chercheurs en sécurité de l’intelligence artificielle, que l’entreprise sollicite pour tester le modèle. Block affirme que Dessa peut fonctionner localement sur un MacBook M4 Max ou un ordinateur plus puissant, sans préciser ici les conditions détaillées de cette exécution. L’entreprise estime que faire tourner le modèle sur l’appareil pourrait réduire les coûts et permettre de proposer davantage d’expériences vocales, pour les entreprises comme pour les particuliers. Square utilise déjà l’intelligence artificielle vocale pour prendre des commandes : l’exécution locale pourrait donc ouvrir des pistes pour des services de ce type, sans que cela signifie que Dessa soit déjà déployé dans ces usages. L’accès reste limité, et la liste d’attente ne vaut pas ouverture générale du modèle.

NNoor

Dans un échange partagé par Block, Dessa tient une conversation globalement naturelle, mais confond d’abord son interlocuteur avec une personne appelée Ronaldo. Une autre démonstration porte sur une discussion autour de Christopher Nolan, et le modèle s’égare en évoquant les films Superman de Bryan Singer. Ces deux exemples montrent donc à la fois un échange qui peut paraître naturel et des erreurs de compréhension ou de référence. Block a également publié une comparaison avec GPT-Live-1 d’OpenAI, dans laquelle Dessa paraît plus naturel. Il faut donc lire ces séquences comme des exemples de fonctionnement : elles font entendre un modèle qui peut converser de façon naturelle, mais qui peut aussi se tromper ou s’égarer. La comparaison avec GPT-Live-1 fait partie de la présentation de Block, tandis que les erreurs mentionnées rappellent que les démonstrations ne suffisent pas à établir une fiabilité générale.

NNoor

Alors, Block présente Dessa comme un modèle vocal en duplex intégral, entraîné uniquement sur des conversations humaines et conçu pour des échanges oraux plus réalistes. Selon The Decoder, Block affirme que le modèle traite directement la parole sous forme audio et peut reconnaître en temps réel les émotions, le sarcasme, les rires et les pauses. Block explique avoir développé Dessa pour améliorer la communication entre humains et intelligence artificielle, mais aussi par souci de sécurité, car l’entreprise estime que les systèmes vocaux actuels peuvent ignorer des indices émotionnels. TechCrunch rapporte que les démonstrations montrent plusieurs voix, cadences et émotions ; dans l’un des exemples, le modèle semble fatigué lorsqu’il dit l’être. Mais l’apparence émotionnelle d’une voix ne permet pas de conclure que le système éprouve cette émotion, et les capacités revendiquées restent à vérifier au-delà des démonstrations. Block indique que Dessa a été entraîné sur un seul système NVIDIA GB200 NVL72 et affirme qu’il peut fonctionner localement sur un MacBook M4 Max ou un ordinateur plus puissant. Le modèle n’est pas encore accessible au public, et Block sollicite des chercheurs en sécurité pour le tester. L’exécution locale pourrait, selon l’entreprise, permettre davantage d’expériences vocales à moindre coût pour les entreprises et les particuliers ; Square utilise déjà l’intelligence artificielle vocale pour prendre des commandes. L’enjeu est donc de suivre à la fois ce que le modèle peut faire dans des échanges concrets et ce qui reste, pour l’instant, une capacité annoncée par Block.