Dessa, le modèle vocal de Block, parle et écoute en même temps avec une voix troublante

« Interagir avec les IA vocales actuelles peut être franchement pénible. » C’est par ce constat sans détour que Block, l’entreprise de paiement dirigée par Jack Dorsey, cofondateur de Twitter, présente son nouveau modèle d’intelligence artificielle. Baptisé Dessa et dévoilé fin octobre 2026 par le laboratoire de recherche du groupe, il veut rendre les conversations avec une machine aussi naturelles qu’avec un humain : il rit, marque des pauses, perçoit l’ironie et peut parler en même temps que son interlocuteur. Un réalisme qui impressionne, au point que Block a choisi de le confier d’abord à des chercheurs en sécurité.

Ce que Block a présenté

Block, maison mère de la solution de paiement Square, décrit Dessa comme « le modèle vocal full duplex le plus authentique jamais construit ». Plusieurs caractéristiques le distinguent des assistants vocaux habituels :

• il écoute et parle en même temps, comme dans une vraie conversation, et peut glisser des « ouais ! » ou des « compris ! » pendant que l’on parle ;
• il perçoit et produit des émotions : rires, sarcasme, hésitations, pauses, et même des pleurs selon TechCrunch ;
• il fonctionne plus vite que le temps réel, ce qui supprime les silences gênants entre deux répliques ;
• il tourne localement sur un MacBook Pro équipé d’une puce M4 Max ou d’un modèle plus puissant, sans passer par des serveurs distants.

Le modèle n’est pas encore accessible au public. Une liste d’attente est ouverte, mais l’accès est réservé dans un premier temps à un petit groupe de chercheurs en sécurité de l’IA, qui doivent en faire la demande avec une adresse e-mail institutionnelle.

Comment fonctionne un modèle vocal full duplex

La plupart des assistants vocaux reposent sur une chaîne en trois étapes : un logiciel transcrit la parole en texte, un modèle de langage rédige une réponse écrite, puis un synthétiseur la lit à voix haute. Ce découpage explique les temps de latence et le ton souvent mécanique de ces assistants, qui attendent que l’on ait fini de parler pour répondre et perdent au passage les intonations, les rires ou l’ironie.

Dessa adopte une approche radicalement différente. Selon Block, il a été entraîné de zéro sur des sons de conversations humaines, « sans texte et sans modèle préentraîné ». Le son entre, le son sort : le modèle ne passe jamais par l’écrit. Ses connaissances proviennent donc des conversations elles-mêmes, et non d’un grand modèle de langage associé. Block affirme que Dessa apprend la langue à partir de « centaines de fois moins de mots » que les modèles de langage classiques, sans fournir de chiffres.

L’entraînement a été réalisé sur un seul système NVIDIA GB200 NVL72, une baie de serveurs regroupant 72 processeurs d’IA, des moyens modestes à l’échelle des grands laboratoires. Block n’a précisé ni la taille du modèle, ni le volume d’heures d’enregistrement utilisées, ni les langues prises en charge.

Plusieurs questions restent donc ouvertes pour les utilisateurs européens. Rien n’indique pour l’instant que Dessa comprenne ou parle le français, ni à quelle échéance il pourrait être proposé au public ou aux développeurs. Block ne dit pas non plus s’il publiera les paramètres du modèle, comme le font certains laboratoires, ou s’il le réservera à ses propres services, comme Square. Les retours des chercheurs en sécurité pèseront sans doute sur ces choix.

Pourquoi Block s’intéresse à la voix

L’intérêt de Block n’est pas que théorique. Square utilise déjà l’IA vocale pour la prise de commandes, par exemple dans la restauration. Un modèle capable de fonctionner sur l’appareil lui-même, sans serveur distant, pourrait selon Block rendre ces services moins coûteux et ouvrir la voie à de nouveaux usages pour les commerçants et les consommateurs. « Nous pensons que la voix est la façon la plus naturelle d’interagir avec l’intelligence », a écrit Jack Dorsey en annonçant le modèle.

Dessa arrive sur un marché en pleine effervescence, où OpenAI propose déjà son propre modèle conversationnel full duplex et où le français Mistral AI a lancé en octobre sa gamme Voxtral 3 pour créer des agents vocaux en temps réel.

Une voix trop humaine pose-t-elle problème ?

C’est toute l’ambiguïté de ce type de modèle. Plus une IA vocale paraît humaine, plus elle devient agréable à utiliser, mais aussi plus elle peut tromper. TechCrunch souligne que Block a sollicité des chercheurs en sécurité vraisemblablement pour étudier les cas où un agent vocal pourrait duper ses interlocuteurs. Le groupe dit vouloir que des experts extérieurs identifient les risques qu’il n’aurait pas anticipés, sans détailler de mesures techniques comme le marquage des voix générées.

Les arnaques vocales sont déjà une réalité : faux conseillers bancaires, appels d’un prétendu proche en détresse, voix de dirigeants imitées pour ordonner des virements. Un modèle capable de rire, d’hésiter et de réagir instantanément rendrait ces escroqueries plus convaincantes encore, surtout s’il était combiné à des techniques de clonage de voix et de deepfakes.

Comment se protéger des arnaques à la voix artificielle

Sans attendre l’arrivée de modèles comme Dessa, quelques réflexes simples limitent les risques :

• convenir d’un mot de passe familial, connu des seuls proches, à demander en cas d’appel urgent réclamant de l’argent ;
• raccrocher et rappeler la personne ou l’organisme sur un numéro connu, plutôt que de répondre à une demande pressante ;
• se méfier de l’urgence : une demande de virement immédiat ou de codes bancaires est un signal d’alerte, quelle que soit la voix ;
• ne jamais communiquer de code reçu par SMS au téléphone, même à un interlocuteur qui semble connaître votre dossier ;
• limiter les enregistrements de sa voix diffusés publiquement, qui peuvent servir à la cloner.

La voix, prochaine frontière des assistants d’IA

Avec Dessa, Block rejoint une course où se joue peut-être l’interface de demain : parler à un assistant comme à un collègue, sans délai ni formule figée. La capacité à faire tourner un tel modèle sur un simple ordinateur portable est un argument fort pour la confidentialité, puisque la conversation n’a pas à quitter l’appareil.

Mais la démarche prudente de Block, qui retient son modèle le temps de l’évaluer, montre que le secteur prend conscience du revers de la médaille. Entre assistants plus naturels et risques de manipulation, la question n’est plus de savoir si les machines sauront parler comme nous, mais comment nous saurons encore les reconnaître.