Block, финтех-компания Jack Dorsey, показала свою новую голосовую модель Dessa из корпоративной лаборатории. Главное отличие от существующих решений — модель работает полнодуплексным режимом (full-duplex): может одновременно слушать и говорить, как живой человек. OpenAI похожее уже делала с GPT-Live, но Dessa позиционируется как первая модель, полностью обученная на человеческой речи без промежуточного текстового слоя.

Вот в чём реальная фишка: большинство голосовых моделей (типа ElevenLabs или Fish Audio) работают через текст. Речь идёт в аудио → текст → синтез речи, и на каждом этапе теряется информация. Эмоции там добавляют через теги. Dessa работает напрямую с аудио, и эмоции якобы встроены в саму модель — в примерах на видео бот действительно звучит устало, когда говорит что он уставший, и пугается, когда нужно. На слух это убедительнее, чем обычные синтетические голоса.

Технически это звучит как реальный шаг вперёд — модель умещается на MacBook M4 Max и запускается локально, что означает низкие задержки и экономию на облачных вычислениях. Но тут есть нюанс: сейчас Dessa доступна только для тестирования, и Block намеренно ищет специалистов по безопасности. Это намёк на очевидный риск — такой реалистичный голос может убедить людей в чём угодно. Мошенники будут любить.

В контексте рынка это выглядит как попытка Block закрепиться в категории, которую сейчас доминируют OpenAI и специализированные лабы типа ElevenLabs. Full-duplex моделей немного, и они действительно удобнее для живого общения. Однако заявления про «GPT-3 момент для речи» звучат завышено — пока это лаб-демо, а не продукт в реальной работе. Посмотрим, как она будет себя вести на жёсткие случаи, когда нужна точность, а не эмоциональность.

Для Block это имеет прямой смысл: компания уже использует голосовой ИИ в Square для заказов. Локальная модель позволяет ей снизить затраты и предложить голосовые решения малому бизнесу без привязки к облаку — это реально конкурентное преимущество в своём сегменте. Вопрос в том, будет ли Dessa работать стабильно на реальных кейсах, а не только на подготовленных примерах.

Для российского бизнеса это может быть полезно в пару направлениях. Во-первых, if Dessa станет доступна, её можно применить в call-центрах и customer support'е — локальный запуск означает независимость от зарубежных сервисов и контроль над данными. Во-вторых, для компаний, которые работают с голосовыми интерфейсами (например, в розничной торговле или доставке), такая модель может снизить затраты. Правда, сейчас это всё ещё гипотеза — реальная версия ещё не вышла.

Ключевое, что происходит в индустрии: все крупные игроки (OpenAI, Google, теперь Block) гонятся за более естественным взаимодействием с голосом. Это правильный вектор, потому что текст и даже стандартный синтез речи действительно теряют контекст. Но за красивыми видеодемо часто скрываются реальные проблемы — как модель справляется с акцентами, шумом, редкими фразами, и главное, как её защитить от манипуляций. Detta интересна, но пока это слово в научных кругах, не в production.