Block dévoile Dessa, un modèle vocal full-duplex entraîné uniquement sur de la parole
Block a dévoilé le 23 octobre 2026 Dessa, un modèle vocal « full-duplex » issu de son laboratoire de recherche en IA, présenté sous forme d'aperçu de recherche. Il s'agit d'un modèle de parole à parole : l'audio entre, l'audio sort, et le système écoute et parle simultanément. Block affirme l'avoir entraîné uniquement sur des conversations humaines, sans aucun texte ni modèle pré-entraîné. L'entraînement a mobilisé un seul rack NVIDIA GB200 NVL72, soit 72 GPU Blackwell et 36 CPU Grace. Le modèle tourne localement, plus vite que le temps réel, sur un MacBook Pro M4 Max ou supérieur. Les démonstrations montrent des interjections du type « ouais » ou « d'accord », des rires en milieu de phrase, des interruptions naturelles et une voix qui monte quand on lui demande de parler plus fort. Un extrait met en scène un échange avec GPT-Live-1 d'OpenAI, et Block assure que rien n'a été guidé. En revanche, aucun score de benchmark, nombre de paramètres, poids, article scientifique, API ni tarif n'a été publié, et l'accès passe par une liste d'attente.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu tient à la rupture avec l'architecture dominante des agents vocaux, qui enchaînent reconnaissance vocale, modèle de texte puis synthèse vocale. Selon l'équipe de Block, cette chaîne élimine l'émotion, le sarcasme, le rire et les soupirs, que Dessa percevrait et produirait directement. Le modèle apprendrait aussi, à partir de conversations réelles, quand couper la parole ou quand acquiescer. Block affirme en outre que Dessa a appris le langage à partir de centaines de fois moins de mots que les grands modèles de langage. Si ces affirmations se confirmaient, elles abaisseraient nettement le coût d'entrée pour des assistants vocaux plus naturels et exécutables sur un ordinateur portable. Pour l'heure, tout repose sur des démonstrations que personne ne peut reproduire, ce qui impose la prudence.
Le contexte est celui d'une course aux modèles vocaux conversationnels. Le Moshi de Kyutai, référence des modèles full-duplex ouverts, part d'un modèle de texte (Helium, 8 milliards de paramètres) et prédit des jetons de texte alignés dans le temps avant les jetons audio. Il a été pré-entraîné sur 7 millions d'heures d'audio avec 1 016 GPU H100, pour une latence d'environ 200 ms, et il est distribué librement sous licence CC-BY 4.0. PersonaPlex-7B-v1 de NVIDIA, affiné à partir de Moshi, revendique 0,170 s de latence de prise de parole et 0,240 s pour l'interruption sur FullDuplexBench. GPT-Live-1 d'OpenAI reste fermé, accessible par API à 0,05 dollar la minute pour la couche vocale, et délègue le raisonnement à un agent en arrière-plan. Les choix de Block, entraînement sans texte et sur très peu de calcul, sont difficiles, car la parole ne se répète jamais à l'identique et un mot parlé pèse des milliers de fois plus d'octets que son équivalent écrit. La suite dépendra de la publication éventuelle de l'architecture, de benchmarks et de poids, seuls moyens de vérifier ces promesses.
Le modèle ouvert Moshi du laboratoire français Kyutai sert de référence comparative, mais Dessa n'a pas d'accès ni d'impact direct en France/UE à ce stade.