Block, la société fondée par Jack Dorsey, vient de dévoiler un nouveau modèle de Text-to-SpeechTechnologie transformant automatiquement du texte écrit en parole synthétique. appelé Dessa. Contrairement à la plupart des solutions actuelles, ce modèle fonctionne entièrement sur un ordinateur grand public et reproduit des intonations humaines – rires, pauses, voire des sanglots – sans passer par une étape de texte intermédiaire.
Un modèle entraîné uniquement sur la parole
Dessa a été formé à partir d’enregistrements de voix humaines et d’un seul rack de GPUProcesseur conçu pour effectuer de nombreux calculs en parallèle, notamment utilisé pour entraîner et exécuter des modèles d'IA. NVIDIA. L’équipe précise que l’ensemble des connaissances du système provient du corpus de conversations qu’il a appris, ce qui le distingue des modèles classiques qui associent un moteur de texte‑à‑parole à un grand modèle de langage pour récupérer l’information.
Full‑duplex : parler et écouter simultanément
Le terme full‑duplex indique que Dessa peut répondre tout en continuant d’écouter l’utilisateur, à l’instar du modèle GPTFamille de modèles génératifs préentraînés reposant sur l'architecture Transformer, notamment utilisés pour produire du texte.‑Live d’OpenAI publié plus tôt dans l’année. Cette capacité permet des échanges plus fluides, car le système ne doit pas attendre la fin de l’énoncé pour commencer à générer sa réponse.
L’émotion intégrée au cœur du modèle
Block critique les solutions qui injectent de l’émotion via des « voice tags » ou des paramètres externes. Selon le blog de l’entreprise, l’émotion est intrinsèquement modélisée dans Dessa : lorsqu’il simule la fatigue, la voix du bot devient réellement plus lourde, et lorsqu’il raconte une anecdote touchante, on perçoit une légère rupture de ton. Les démonstrations publiées montrent le bot rire, s’excuser ou même « pleurer » de façon crédible.
Exécution sur du matériel grand public
L’une des promesses majeures de Dessa est de pouvoir tourner sur des GPU de consommation, comme ceux d’un MacBook M4 Max ou d’une carte graphique équivalente. Aucun service cloud n’est requis, ce qui réduit la LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. et limite le partage de données vocales avec des serveurs externes.
Accès limité pour le moment
Pour l’instant, le modèle n’est pas disponible publiquement. Block a lancé un appel aux chercheurs en sécurité afin d’évaluer les risques d’abus, notamment la possibilité pour un assistant vocal de tromper un interlocuteur. Cette démarche indique une volonté de tester les scénarios de manipulation avant un déploiement large.
Impacts pour les entreprises et les consommateurs
Block évolue dans le secteur financier et propose déjà des solutions vocales à de petites entreprises via Square. Un modèle capable de fonctionner en local pourrait réduire les coûts d’infrastructure et ouvrir la voie à de nouvelles interactions, comme la prise de commande automatisée ou l’assistance client plus naturelle.
Limites et points d’interrogation
Malgré les performances affichées, plusieurs questions restent ouvertes. La profondeur des connaissances de Dessa dépend uniquement du dialogue qu’il a entendu ; il ne possède donc pas la capacité d’interroger une base de données externe comme le font les assistants traditionnels. De plus, la robustesse du modèle face à des accents variés ou à des environnements bruyants n’a pas encore été évaluée publiquement.
En résumé, Dessa représente une avancée notable dans le domaine de la synthèse vocale en intégrant émotion et interaction full‑duplex sans passer par le texte. La prochaine étape sera de voir comment les tests de sécurité influenceront son lancement commercial et quels usages concrets les développeurs en tireront.