Dessa de Block : l'IA vocale qui n'a jamais lu un mot, ce qu'on sait vraiment

Dessa Block est un modèle vocal annoncé le 23 octobre 2026 par le laboratoire d'IA de Block, la société de Jack Dorsey. Selon Block, il reçoit de l'audio et produit de l'audio directement, sans passer par une transcription en texte, et il parle et écoute en même temps. Il est présenté comme entraîné de zéro sur des conversations humaines, sur un seul rack NVIDIA de 72 GPU. Tout cela reste une déclaration : aucun rapport technique, aucun benchmark, aucun poids ni aucune licence n'ont été publiés, et l'accès se fait par liste d'attente.

Cet article explique en français ce que cela signifie, sépare ce que Block affirme de ce qui est vérifiable, détaille les risques d'usurpation vocale et vous donne des repères pour suivre la suite.

En bref

• Annonce : 23 octobre 2026, via les comptes X de Jack Dorsey et de Ragavan Thurairatnam, qui dirige le petit laboratoire d'IA de Block (daté par des sources secondaires ; la page de Block ne porte pas de date).
• Architecture annoncée : un modèle « speech-to-speech » full-duplex, audio en entrée et audio en sortie, sans chaîne de transcription (déclaration de Block, non vérifiable sans rapport technique).
• Entraînement annoncé : de zéro, sur des conversations humaines, sans texte ni modèle préentraîné, avec un seul rack NVIDIA GB200 NVL72 (déclaration de Block).
• Disponibilité : préversion fermée, liste d'attente, accès anticipé pour un petit groupe de chercheurs en sécurité de l'IA (confirmé par la page de Block).
• Non publié : taille du modèle, benchmark, durée d'entraînement, heures d'audio, licence, poids, API, prix.
• Langue : démonstrations en anglais ; aucune preuve de prise en charge du français.
• Risque : la page ne mentionne ni filigrane audio, ni red-teaming, ni garde-fous contre le clonage de voix.

Comment nous avons vérifié

Nous avons lu la page officielle de Block consacrée à Dessa (block.xyz/dessa), seule source primaire disponible au 30 octobre 2026, par extraction automatique de son texte, sans capture d'écran. Nous avons recoupé avec plusieurs articles de presse et de blogs spécialisés, en anglais et en français. Les publications sur X qui ont lancé l'annonce, ainsi que les communiqués de rachat de 2020, n'ont pas pu être ouverts directement : leur contenu nous parvient par des sources secondaires et est présenté comme tel.

Nous n'avons pas testé Dessa, car aucun accès public n'existe. Tout ce qui concerne ses performances est donc une déclaration du fabricant.

Qu'est-ce que Dessa, le modèle vocal de Block ?

Dessa est un modèle d'IA conversationnelle vocale. Block, l'entreprise de paiement et de services financiers dirigée par Jack Dorsey, l'a conçu dans un petit laboratoire interne placé sous la direction de Ragavan Thurairatnam. Ce laboratoire compte, selon la page officielle, Thurairatnam, six chercheurs, trois stagiaires et deux anciens stagiaires.

L'idée centrale est annoncée ainsi : un modèle « véritablement speech-to-speech », qui entend de l'audio, produit de l'audio, et peut le faire simultanément, comme deux personnes qui se parlent. Block affirme aussi que le modèle perçoit et produit des nuances que l'on associe d'ordinaire à un humain : émotion, sarcasme, rires, soupirs, petits signaux d'écoute comme « yeah » ou « got it » (les « backchannels »).

Le lancement reste une préversion de recherche. Un média a écrit que le modèle était « sorti » : c'est inexact, puisque la page invite à rejoindre une liste d'attente et précise que les liens de lancement arrivent « bientôt ». Si vous cherchez « Dessa liste d'attente », c'est donc bien l'état des lieux : on s'inscrit, on ne télécharge rien.

Chaîne STT-LLM-TTS contre bout en bout : quelle différence ?

La plupart des assistants vocaux actuels fonctionnent en cascade. Trois briques s'enchaînent :

1. STT (speech-to-text) : un modèle de reconnaissance vocale transcrit ce que vous dites en texte.
2. LLM : un grand modèle de langage lit ce texte et rédige une réponse en texte.
3. TTS (text-to-speech) : une synthèse vocale lit cette réponse à voix haute.

Cette architecture est robuste et facile à assembler, parce que chaque brique est remplaçable. Mais elle a un défaut de fond : le texte est un goulot d'étranglement. Entre la voix et le texte, on perd presque tout ce qui n'est pas des mots : le ton, l'hésitation, l'ironie, le rire, le rythme. Le LLM ne « sait » pas que vous avez dit une phrase en riant ou en soupirant, et la synthèse vocale ne sait pas ce que le LLM voulait exprimer sur le plan émotionnel. S'ajoutent des délais, puisque chaque étape attend la fin de la précédente.

Un modèle bout en bout, ou speech-to-speech, supprime ces intermédiaires : le même réseau de neurones reçoit le signal audio et produit le signal audio de la réponse. En théorie, l'information de ton circule jusqu'à la sortie. En pratique, la qualité dépend entièrement de l'entraînement et des données, et c'est précisément ce que Block ne documente pas.

Schéma de la rédaction, d'après la description de Block.

Que veut dire « full-duplex » en IA vocale ?

Un système « half-duplex » fonctionne comme un talkie-walkie : l'un parle, l'autre attend, et on change de tour. La plupart des assistants vocaux en cascade se comportent ainsi, avec un détecteur de silence qui décide quand vous avez fini. Un système « full-duplex » écoute et parle en même temps, comme une conversation téléphonique ordinaire.

Cela change l'expérience de plusieurs façons. Le modèle peut vous laisser l'interrompre, ou vous interrompre lui-même quand il est pertinent de le faire. Il peut émettre de petits signaux d'écoute pendant que vous parlez, sans attendre son tour. Et les chevauchements de parole, normaux entre humains, ne cassent plus la conversation.

Block revendique ces comportements pour Dessa : interruptions, pauses, rires, backchannels. Là encore, il s'agit d'une description du fabricant, appuyée par des démonstrations choisies par lui. Le mot « hésitations », très présent dans la presse secondaire, n'apparaît pas comme tel dans les éléments que nous avons pu vérifier auprès de la source officielle : il faut le lire comme une paraphrase de journalistes.

Ce que Block déclare, ce qui est vérifié, ce qui manque

Le tableau ci-dessous sépare trois niveaux de preuve pour les points qui comptent. « Vérifié » signifie que la déclaration figure bien sur la page officielle de Block, pas qu'elle a été mesurée par un tiers : aucune évaluation indépendante n'existe à ce jour.

Entraîné sans texte : qu'est-ce que cela change ?

C'est l'affirmation la plus ambitieuse de Block : Dessa serait entraîné « from scratch » sur de la conversation humaine uniquement, sans texte et sans modèle préentraîné. Block ajoute que le modèle a vu des centaines de fois moins de mots que les LLM texte, sans préciser le point de comparaison ni donner de chiffre.

Pour comprendre l'enjeu, rappelons comment procèdent la plupart des modèles vocaux récents : ils partent d'un LLM texte préentraîné, puis lui apprennent à traiter l'audio. Le texte sert de colonne vertébrale, ce qui apporte de la connaissance du monde et du raisonnement, mais ancre aussi le comportement dans l'écrit. Apprendre uniquement à partir de conversations parlées, c'est le pari inverse : le modèle apprend la prosodie, les tours de parole et les réactions directement à la source.

Ce choix a des conséquences que Block ne chiffre pas. Un modèle sans texte aurait en principe moins de connaissances factuelles qu'un LLM de taille comparable, ce qui pourrait se voir dans les réponses de fond. Les démonstrations publiées sont surtout des conversations de type confidence, souvenirs ou conseils de vie, pas des tests de connaissances. Nous n'avons aucun moyen de savoir comment le modèle se comporte sur une question factuelle précise.

Sur le caractère « premier du genre », Block est lui-même prudent : la formule est assortie d'un « à notre connaissance ». Ce n'est pas vérifié. D'autres travaux visent du speech-to-speech sans guidage texte, comme MOSS-Speech de l'équipe OpenMOSS (arXiv 2510.00499), qui s'appuie toutefois sur des LLM texte préentraînés. La nuance est donc précise : l'originalité de Dessa serait l'absence totale de texte et de modèle préentraîné, pas le principe du speech-to-speech.

Un seul rack NVL72 : pourquoi c'est notable

Block écrit avoir trouvé comment entraîner Dessa sur un seul NVIDIA GB200 NVL72. Il faut décoder le sigle : un NVL72 est un rack de 72 GPU Blackwell reliés entre eux. Un « rack GB200 » désigne donc cette configuration. C'est un équipement coûteux et de classe centre de données, qu'on ne trouve pas dans un bureau, mais qui reste une unité unique.

Ce qui est notable tient au contraste avec les grands modèles de langage, dont l'entraînement mobilise couramment des grappes bien plus vastes de machines. Si l'affirmation est exacte, un laboratoire de quelques personnes a obtenu un modèle conversationnel avec une fraction de cette infrastructure. C'est un argument d'efficacité, et aussi un argument de reproductibilité : d'autres équipes pourraient en théorie suivre.

Il faut toutefois lire ce chiffre avec prudence. Un rack seul ne dit rien de la durée d'entraînement, que Block ne donne pas, ni du nombre d'heures d'audio utilisées, également non publié. « Un rack pendant deux jours » et « un rack pendant plusieurs mois » ne représentent pas du tout le même effort. Tant que ces deux inconnues ne sont pas comblées, « un seul rack » reste un indice d'efficacité, pas une mesure.

Pour un parallèle avec d'autres annonces de ce mois, voyez notre analyse de Carbon-X ou celle de SKY-001 de Skyfall AI : la même grille de lecture s'applique, qui distingue ce que le fabricant déclare de ce qui est vérifié.

Que valent les démonstrations ?

La page de Block propose 21 enregistrements, dont six mis en vedette, d'une durée de 1 min 42 à 5 min 01. Les titres des six en vedette donnent une idée du registre : une conversation sur la sortie du modèle, un souvenir de film, une surprise d'anniversaire, un échange expressif, des conseils de vie, et un dialogue avec GPT-Live-1. Des extras s'y ajoutent, dont « Singing nonsense Spanish » (chanter du faux espagnol), « Refund » et « Ronaldo ». Des sous-titres ont été ajoutés après coup, avec la mention que personne ne dirige le modèle en cours de conversation.

Le dialogue avec GPT-Live-1

C'est la seule comparaison directe disponible. GPT-Live-1 est un modèle vocal tiers dont le développeur indique ne pas être affilié à Dessa, ne l'avoir ni relu ni approuvé. Le clip est une conversation entre les deux, pas une épreuve notée. Un média, Glitchwire, rapporte que Dessa y paraît plus naturelle : c'est une impression, pas une mesure.

L'épisode « Ronaldo »

Parmi les extraits figure une erreur publiée : le modèle appelle son interlocuteur « Ronaldo ». C'est un point à porter au crédit de Block, qui ne cache pas les accrocs, et un rappel que le modèle commet des erreurs d'identité ou de contexte. Selon des reprises d'un compte rendu de The Verge (dont nous n'avons pas retrouvé l'original), les conversations paraissent plutôt naturelles, avec une dérive sur le réalisateur Nolan vers les films Superman de Bryan Singer. Un autre site, de moindre fiabilité, juge certains échantillons raides : c'est subjectif.

Comment lire ces démonstrations

Des démos choisies par le fabricant sont un meilleur indice que rien, mais un moins bon indice qu'un test ouvert. Elles montrent ce que le modèle peut faire dans les meilleures conditions, pas sa fréquence d'échec, sa tenue sur de longues sessions ou sa robustesse avec un bruit de fond, un accent ou une mauvaise connexion. Un benchmark indépendant devrait mesurer au moins la latence, le taux d'interruptions mal gérées et la qualité perçue par des auditeurs qui ne savent pas quel modèle parle. C'est exactement la situation décrite dans notre synthèse sur les modèles spécialisés face aux géants : une annonce sans évaluation tierce se lit comme une promesse.

Dessa contre Moshi et PersonaPlex : une comparaison d'architecture, pas de benchmark

Deux modèles reviennent dans les comparaisons : Moshi, du laboratoire Kyutai, et PersonaPlex-7B-v1, de NVIDIA. Le blog voiceaispace les met en regard de Dessa, mais sur la conception, pas sur un test commun. Il n'existe aucun protocole où les trois ont été soumis aux mêmes épreuves, et nous n'inventons donc aucun classement.

Moshi est un modèle full-duplex de 7 milliards de paramètres, reposant sur un LLM texte (description dans l'article arXiv 2410.00037). PersonaPlex-7B-v1 est publié sur Hugging Face. Dessa se distingue, selon Block, par l'absence de base texte et de modèle préentraîné, et par l'exécution locale annoncée sur un portable haut de gamme.

L'enseignement pratique : si vous avez besoin d'un modèle vocal full-duplex que vous pouvez télécharger et tester aujourd'hui, Dessa n'en est pas un. Les deux autres ont au moins une documentation publique à consulter. Si la question est « lequel est le meilleur ? », aucune réponse honnête n'existe pour l'instant.

Dessa peut-il tourner en local ?

Block indique que Dessa tourne sur un MacBook Pro M4 Max ou mieux, avec une inférence plus rapide que le temps réel. « Plus rapide que le temps réel » signifie que le modèle génère une seconde d'audio en moins d'une seconde, condition minimale pour tenir une conversation sans retard accumulé. C'est une déclaration primaire, mais aucun testeur indépendant n'a pu la reproduire.

Un article (eesel) rapporte aussi que Ragavan Thurairatnam aurait évoqué un GPU grand public. Cette affirmation nous parvient via une source secondaire et reste non vérifiée. Ni la mémoire requise, ni la latence mesurée de bout en bout, ni la quantification éventuelle ne sont publiées.

Pour évaluer une telle promesse le jour où le modèle sera accessible, voici une méthode simple :

1. Mesurez le délai entre la fin de votre phrase et le début de la réponse, plusieurs dizaines de fois, et notez la valeur médiane et les pires cas.
2. Interrompez le modèle en plein milieu d'une phrase et vérifiez s'il s'arrête proprement.
3. Faites une conversation longue de plusieurs minutes pour observer la dérive du contexte.
4. Testez avec du bruit, un accent, un micro médiocre.
5. Surveillez la température de la machine et la consommation de mémoire.

Ce qui n'est pas publié

La liste est longue, et c'est le point que la plupart des articles traitent le plus vite. Au 30 octobre 2026, la page de Block ne contient :

• aucun rapport technique, aucune model card ;
• aucun benchmark, de qualité, de latence ou de robustesse ;
• aucun dépôt de code, aucun poids téléchargeable, aucune licence ;
• aucune API, aucun prix ;
• ni taille du modèle, ni mémoire requise ;
• ni durée d'entraînement, ni volume d'audio d'entraînement ;
• aucune indication sur la prise en charge du français ou d'autres langues.

Conséquence directe pour le lecteur francophone : rien ne prouve que Dessa parle français. Les démonstrations sont en anglais, avec un passage fantaisiste en faux espagnol. Un modèle entraîné sur de la conversation anglophone n'est pas automatiquement bon dans une autre langue, et le français pose ses propres difficultés (liaisons, enchaînements, registres). Tant qu'aucune démonstration française n'existe, il faut considérer la question comme ouverte.

À l'inverse, l'absence de licence et de poids signifie que vous ne pouvez ni l'intégrer à un produit, ni l'auditer, ni le réentraîner. Pour une PME ou un développeur indépendant, la valeur actuelle de Dessa est informative, pas opérationnelle. Un cas comparable, côté images, est celui de Fibo 2.0 de Bria, où la question de la licence conditionne l'usage réel.

Voix synthétique réaliste : les risques et les bons réflexes

Un modèle capable de produire une voix expressive en temps réel soulève une question évidente : l'usurpation. La page de Block n'indique ni red-teaming, ni filigrane audio, ni garde-fous contre le clonage, selon l'analyse d'eesel. Cela ne prouve pas qu'ils n'existent pas, seulement qu'ils ne sont pas documentés.

Il faut rester mesuré. Des commentateurs, notamment Newsweek et un cabinet de conseil français, évoquent des risques de vishing (hameçonnage par téléphone) et d'usurpation. Ce sont des analyses de risque, pas le récit d'incidents liés à Dessa. De plus, Dessa n'est pas accessible au public : le risque tient à la catégorie de technologie, pas à un outil qui circulerait déjà.

Cette inquiétude a une histoire. La société Dessa d'origine, d'après Newsweek (à recouper), avait renoncé à publier un faux modèle de la voix de Joe Rogan par crainte de l'usurpation. Que l'équipe de Block descende de cette lignée donne une raison d'espérer une prudence similaire, mais ne constitue pas une garantie.

Quelques réflexes qui valent pour toute voix synthétique

Ces conseils sont génériques et ne dépendent pas de Dessa. Ils valent face à toute voix clonée ou générée.

• Convenez d'un mot de code familial. Un mot ou une question que seuls vos proches connaissent, à demander en cas d'appel urgent réclamant de l'argent.
• Rappelez sur un numéro que vous connaissez. Raccrochez et rappelez la personne ou l'organisme via le numéro enregistré dans vos contacts ou sur un site officiel, jamais celui qui vient de vous appeler.
• Méfiez-vous de l'urgence. Une demande de virement immédiat, de codes reçus par SMS ou d'achat de cartes cadeaux est un signal d'alerte, quelle que soit la qualité de la voix.
• Ne validez pas une opération sensible sur la seule voix. En entreprise, exigez une seconde vérification : un autre canal, une autre personne, une procédure écrite.
• Limitez les enregistrements publics de votre voix si vous le pouvez, car quelques secondes d'audio propre facilitent l'imitation.
• Signalez les tentatives à votre banque ou à votre service informatique, même sans perte.

Pour les entreprises qui utilisent encore l'authentification vocale, la leçon est nette : une voix ne devrait plus servir de preuve d'identité à elle seule.

Qui est derrière Dessa ?

Le laboratoire est petit : Ragavan Thurairatnam, six chercheurs (Louay Hazami, Hashiam Kadhim, Qi (Alex) Liu, Rayhane Mama, Aydin Polat et Marc Tyndel), trois stagiaires et deux anciens stagiaires, selon la page officielle. Il est rattaché à Jack Dorsey. Selon Glitchwire, Thurairatnam aurait parlé d'un « GPT3 moment for speech » pour décrire l'ambition : c'est une citation rapportée, que nous n'avons pas pu vérifier à la source.

Chronologie du nom Dessa

Le nom n'est pas nouveau. Des fondateurs du projet actuel sont liés à une start-up torontoise du même nom, spécialisée dans la voix et les deepfakes, rachetée par Square en 2020 (confirmé par deux sources secondaires, avec renvoi vers deux communiqués que nous n'avons pas ouverts). Thurairatnam est présenté comme cofondateur de cette première Dessa.

Square est l'entreprise devenue Block. L'annonce a suscité une forte réaction chez les développeurs : le fil de discussion sur Hacker News atteignait 532 points et 199 commentaires selon eesel. C'est un indicateur d'attention, pas de qualité.

Source : page de Block et communiqués cités par la presse.

Que surveiller dans les prochains mois ?

Voici des hypothèses, clairement présentées comme telles : rien ne les confirme.

• Un rapport technique ou une model card. Si Block les publie, on saurait enfin la taille, les données et la durée d'entraînement. Leur absence prolongée serait elle-même un signal.
• Un accès pour les chercheurs en sécurité. Leurs retours pourraient documenter les risques de clonage, les contournements et les garde-fous. C'est le premier endroit où une évaluation tierce pourrait apparaître.
• Une licence et des poids. Ce serait le tournant : sans eux, aucun développeur ne peut intégrer Dessa. S'ils sortent, la licence dira si l'usage commercial est permis.
• Un test en français. Une démonstration ou un retour d'utilisateur francophone répondrait à la question que cet article laisse ouverte.
• Des comparaisons indépendantes avec Moshi et PersonaPlex sur un protocole commun, avec latence mesurée.
• Des mesures de sécurité documentées : filigrane audio, détection, politique d'usage.

Pour garder un regard critique sur ce type d'annonces, la lecture croisée de notre synthèse d'octobre sert de grille générale.

Annoncé, vérifié, manquant

Ce qu'il faut retenir

• Dessa est un modèle vocal audio vers audio, full-duplex, annoncé par Block le 23 octobre 2026 : toutes ses qualités sont des déclarations du fabricant.
• La différence avec la chaîne STT, LLM, TTS est le passage par le texte : Dessa prétend l'éviter, y compris à l'entraînement, ce qui reste non vérifiable sans rapport technique.
• Le rack NVIDIA GB200 NVL72 de 72 GPU est un indice d'efficacité, mais sans durée d'entraînement ni volume de données, il ne mesure rien.
• Aucune taille, aucun benchmark, aucune licence, aucun poids, aucune preuve de prise en charge du français : le modèle n'est pas utilisable aujourd'hui.
• Face aux voix synthétiques en général, le mot de code familial, le rappel sur un numéro connu et la méfiance envers l'urgence restent les meilleures protections.

Pour aller plus loin

• Modèles IA spécialisés contre géants : ce que disent les annonces d'octobre 2026
• Carbon-X et Hugging Face : un modèle open source annoncé
• SKY-001 de Skyfall AI : un modèle du monde pour la CAO et le BIM
• Fibo 2.0 de Bria : édition d'images multi-références et licence
• GPT-Rosalind d'OpenAI : essaim d'agents, Atlas et CRISPR
• WeVisOne-VL de Tencent : vision, détection, comptage, OCR et matting
• Hi3D 1.0 : open source, licence, GPU et limites

Sources

• Block, page officielle de Dessa : source primaire, seule source officielle au 30 octobre 2026.
• Publication de Jack Dorsey sur X : annonce, non ouverte directement.
• Publication de Ragavan Thurairatnam sur X : annonce, non ouverte directement.
• Communiqué de Block sur le rachat de Dessa : rachat de 2020, non ouvert directement.
• Communiqué de Square, Dessa rejoint Square : rachat de 2020, non ouvert directement.
• Moshi, Kyutai, article arXiv 2410.00037 : modèle full-duplex de 7 milliards de paramètres sur base LLM texte.
• MOSS-Speech, OpenMOSS, arXiv 2510.00499 : speech-to-speech sans guidage texte, mais sur LLM préentraînés.
• PersonaPlex-7B-v1, NVIDIA, Hugging Face : modèle vocal comparé par voiceaispace.
• eesel, analyse de Block Dessa : équipe, démonstrations, manques, absence de mesures de sécurité documentées.
• Glitchwire, Dessa apprend en écoutant : équipe, épisode « Ronaldo », comparaison avec GPT-Live-1.
• voiceaispace, lancement de Dessa : comparaison d'architecture avec Moshi et PersonaPlex.
• Newsweek, Dessa et la voix synthétique : analyse des risques d'usurpation, épisode Joe Rogan (à recouper).
• Hacker News, fil de discussion sur Dessa : réaction de la communauté (532 points, 199 commentaires selon eesel).