Jack Dorsey, creador de Twitter, ha lanzado un órdago directo al mercado de la inteligencia artificial conversacional. Su empresa, Block, acaba de sacar de su laboratorio de investigación un modelo de voz llamado Dessa, diseñado para ejecutarse en tu propio ordenador y sonar tan dolorosamente humano que asusta. Hablamos de un asistente que se ríe de forma natural, hace pausas dramáticas y hasta simula llorar.
Y es que la promesa técnica aquí es de las que hacen levantar una ceja en la industria.
En concreto, Dessa es un modelo de dúplex completo, lo que significa que puede escucharte y hablarte de forma simultánea sin interrumpir el flujo. Si te suena la idea, es exactamente la misma filosofía que vimos con el espectacular modelo GPT-Live de OpenAI a principios de este mismo año. La diferencia radical es que Block afirma haberlo entrenado usando exclusivamente habla humana y un único rack de GPU de NVIDIA. Nada de granjas de servidores kilométricas ni facturas de luz millonarias. Una auténtica locura.
El fin del texto como intermediario
Básicamente, el secreto detrás de esta naturalidad reside en cómo el modelo procesa tu información. La inmensa mayoría de los sistemas de voz actuales cogen tu voz, la convierten a texto, la procesan con un modelo de lenguaje gigantesco para recuperar conocimiento y luego generan un audio de vuelta. Block considera que este paso intermedio es el gran culpable de que los asistentes de hoy suenen artificiales, robóticos y, francamente, molestos.
Según detallan en una publicación de blog, convertir la voz a texto destroza una cantidad brutal de información vital. El texto plano no sabe si el usuario está enfadado, triste o al borde de un ataque de nervios. Al eliminar esa capa de conversión, la compañía asegura que la emoción está integrada de forma nativa en Dessa y que su conocimiento nace directamente de los datos conversacionales con los que fue alimentado.
Por ponerlo en perspectiva, alternativas potentes del mercado como ElevenLabs v4 o el reciente Fish Audio Drama 3 sí tiran de etiquetas de voz explícitas en su código para forzar que la IA suene eufórica o deprimida. En el caso de Block, afirman que el proceso es mucho más orgánico, aunque todavía está por ver si esconden algún mecanismo interno de etiquetado para controlar estos arranques emocionales.
El motivo de este enfoque es muy simple: una máquina que no entiende cómo te sientes puede dar respuestas desastrosas. Block defiende a capa y espada que la incapacidad de las inteligencias artificiales de voz actuales para percibir nuestro estado anímico no solo empeora radicalmente la experiencia de uso, sino que puede resultar potencialmente peligrosa en contextos delicados de atención al cliente.
Llantos, fatiga y hardware de consumo
Evidentemente, las pruebas que han enseñado son para quedarse un rato pensativo. Los investigadores publicaron varios ejemplos donde Dessa exhibe cadencias de voz completamente distintas. En un clip, el asistente afirma estar agotado del trabajo y su voz arrastra una fatiga tremendamente realista. En otro, el bot parece estar a punto de derrumbarse emocionalmente mientras le dice a un usuario que le hace sentir cómodo. Incluso han mostrado a un miembro del equipo echando una partida a un juego con el asistente, fluyendo todo sin cortes incómodos.
A ello se le suma el detalle del hardware, que no es moco de pavo. Block asegura que Dessa puede correr en local en un ordenador de consumo, poniendo como línea de base un MacBook M4 Max o equipos de potencia similar. Es decir, no necesitas estar conectado a una nube lejana para tener una charla profunda y sin latencia con la máquina. Todo pasa en tu dispositivo.
¿Qué pinta una empresa financiera en todo esto?
Quizás este nombre no te suene de nada si no estás metido en el ecosistema fintech, pero Block opera en el sector financiero vendiendo soluciones a pequeñas y medianas empresas. La letra pequeña es que su filial Square ya está utilizando IA de voz para gestionar pedidos. Te haces una idea de por dónde van los tiros de Dorsey, ¿verdad?
Si logran empaquetar un modelo de voz propio, ultra realista y que funcione directamente en los terminales de los comercios, el ahorro en costes operativos será monumental. Además, permitiría impulsar nuevas experiencias empresariales donde el cliente interactúa con un dependiente virtual que entiende perfectamente si tiene prisa o si está frustrado.
Por si fuera poco, en Block son conscientes del peligro de lanzar algo tan sumamente convincente. De momento Dessa no cuenta con acceso público. Han decidido ser cautos y están reclutando activamente a investigadores de seguridad para probar el modelo, buscando detectar si el agente podría llegar a engañar o manipular a los humanos con los que habla. La pelota está ahora en el tejado de los desarrolladores open-source para ver si logran igualar esta hazaña técnica, pero queda clarísimo que la próxima frontera de la IA ya no es lo que dice, sino cómo te lo dice.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
