Block, la société fondée par Jack Dorsey, vient d’annoncer la sortie de Dessa, un modèle d’Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. qui dialogue directement à l’oral. Contrairement aux assistants vocaux habituels, Dessa n’est pas construit à partir de textes écrits ; il a été entraîné "from scratch on nothing but human conversation". L’objectif affiché est de créer une interface où la parole, plutôt que le texte, devient le moyen principal d’interaction.

Une démonstration qui fait parler

Pour illustrer les capacités de Dessa, l’équipe a publié plusieurs extraits de conversations. Dans l’un d’eux, le modèle échange avec son interlocuteur comme s’il s’agissait d’un ami légèrement maladroit, au point de confondre la voix avec le nom de "Ronaldo" au tout début. Une autre séquence montre le modèle jouant à un jeu de devinettes en temps réel, où la réponse arrive en quelques secondes, démontrant une LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. très réduite.

Le site officiel de Dessa propose d’autres scénarios : un débat autour des films de Christopher Nolan qui dérive soudainement sur les films de Superman de Bryan Singer, une anecdote sur un voyage surprise à Paris où le modèle répond avec une sorte de gratitude émotive, et même un échange avec le modèle vocal de OpenAI, GPTFamille de modèles génératifs préentraînés reposant sur l'architecture Transformer, notamment utilisés pour produire du texte.‑Live‑1, où Dessa paraît plus fluide. Ces clips sont accessibles via une courte vidéo qui compile plusieurs interactions.

Un modèle purement vocal

Selon la page du projet, Dessa est décrit comme un "true speech‑to‑speech model". Tous les enseignements du modèle proviennent de la parole humaine, sans recourir à des transcriptions écrites. Cette approche vise à reproduire la façon dont les bébés apprennent à parler : en écoutant uniquement les sons autour d’eux, sans jamais voir un mot écrit. L’équipe admet que le processus est « très difficile », mais affirme que le modèle a réussi à acquérir des compétences de base.

Techniquement, Dessa peut être exécuté localement sur un MacBook Pro équipé d’une puce M4 Max ou d’une configuration supérieure. Cette exigence matérielle indique que le modèle est assez gourmand en ressources, mais qu’il reste utilisable sur du matériel de consommation haut de gamme, sans dépendre d’un serveur distant.

Pourquoi créer un tel modèle ?

Le projet se justifie par trois motivations : curiosité (ou "fun"), meilleure compréhension entre humains et IA, et sécurité. La curiosité renvoie à l’envie de savoir si une IA peut apprendre la parole de la même manière qu’un enfant. Sur le plan de la compréhension, les concepteurs soulignent que la parole est l’interface la plus naturelle pour toute forme d’intelligence, mais que les assistants vocaux actuels « aplatisse » les propos en texte, perdant ainsi le timing et l’intonation humains.

En matière de sécurité, l’équipe rappelle que les IA vocales restent presque sourdes aux émotions. Un exemple frappant : une personne en souffrance grave peut parler à un assistant qui ne perçoit aucune détresse et continue d’exécuter la demande. En capturant les nuances vocales, Dessa pourrait aider à détecter ces signaux émotionnels et à adapter son comportement en conséquence.

Accès limité pour le moment

Pour l’instant, le modèle n’est pas disponible au grand public. Block prévoit de le mettre entre les mains d’« a small group of AI SafetyDomaine consacré à l'identification, à la prévention et à la réduction des risques associés aux systèmes d'intelligence artificielle. researchers » afin d’évaluer ses performances et d’identifier d’éventuels risques. Cette démarche prudente reflète la volonté de tester le système dans un cadre contrôlé avant d’envisager une diffusion plus large.

En quoi cela change la donne ?

Si Dessa confirme ses promesses, il pourrait s’agir d’une première étape vers des assistants vocaux capables de percevoir non seulement les mots mais aussi le ton, le rythme et l’émotion. Cela ouvrirait la porte à des applications où la sensibilité humaine devient un critère d’interaction, comme le suivi de la santé mentale, les aides à la décision en situation de stress, ou encore des expériences immersives plus naturelles.

Cependant, le besoin d’une machine puissante (MacBook Pro M4 Max ou mieux) montre que l’adoption massive reste un défi technique. De plus, la disponibilité restreinte aux chercheurs signifie que la communauté devra attendre plusieurs mois avant d’obtenir des évaluations indépendantes.

Vers une IA qui écoute vraiment

Dessa montre que l’on peut concevoir un modèle d’IA qui apprend exclusivement à partir de la parole, sans passer par la transcription texte. Cette orientation pourrait inspirer d’autres acteurs à repenser leurs architectures vocales, en privilégiant l’aspect auditif et émotionnel de la communication humaine. Dans les prochains mois, les premiers retours des chercheurs en sécurité permettront de mesurer les progrès réels et les limites de cette approche audacieuse.