Dessa apprend à converser par le son. L’aperçu de Block reste réservé
Block présente Dessa, un modèle vocal entraîné sur la parole. Les démonstrations sont publiques mais l’accès au modèle reste limité à des chercheurs.
Une conversation peut transmettre bien plus que les mots prononcés. Le laboratoire Dessa de Block présente un modèle qui aurait appris à parler uniquement en écoutant des conversations humaines. Son aperçu officiel montre des échanges audio en direct. L’annonce a été rapportée le 23 octobre. Il s’agit d’une présentation de recherche avec un accès encore limité.
La parole comme matière d’apprentissage
Selon Block, Dessa a été entraîné sans texte et sans modèle préentraîné. Il reçoit du son et produit du son. Il fonctionne en duplex intégral. Il peut donc écouter pendant qu’il parle. L’équipe met en avant le rythme des échanges et les petites interventions qui accompagnent une écoute. Elle affirme aussi que l’inférence peut tourner localement sur un MacBook Pro M4 Max ou une machine plus puissante.
Ces affirmations décrivent la méthode revendiquée et les conditions annoncées par le laboratoire. Elles ne constituent pas une mesure indépendante de la qualité du modèle. La page ne transforme pas non plus cette capacité locale en téléchargement libre. Elle propose une liste d’attente et un accès anticipé à un petit groupe de chercheurs en sécurité de l’IA.
Des démonstrations expressives et parfois maladroites
Le reportage de The Verge relève des échanges parfois étranges. Un extrait commence par une confusion sur le nom de l’interlocuteur. Une conversation sur le cinéma dérive vers d’autres films. Ces observations sont utiles. Une cadence naturelle peut coexister avec une compréhension imparfaite. L’aisance de la voix ne donne donc pas une mesure de la fiabilité des réponses.
Le média décrit également des exemples où le modèle réagit à une surprise ou converse avec un autre système vocal. Il rapporte l’impression produite par ces séquences. Il ne publie pas un classement obtenu sur un échantillon de conversations tirées au hasard. Un extrait choisi permet d’entendre un comportement possible. Il ne dit pas avec quelle fréquence ce comportement apparaît ni comment le modèle réagit dans tous les autres cas.
Le son direct existe déjà ailleurs
La distinction mérite un détour historique. Dès octobre 2024, OpenAI présentait son API Realtime comme un moyen de faire circuler directement les entrées et les sorties audio. Le document opposait cette approche à une chaîne séparant transcription et génération de texte puis synthèse vocale. Il annonçait aussi la gestion des interruptions. La conversation audio native ne commence donc pas avec Dessa.
Ce qui singularise la présentation de Block est l’apprentissage revendiqué à partir de la seule parole. Il faut séparer cette origine des données et la manière dont un produit échange du son avec son utilisateur. Deux systèmes peuvent proposer une interaction vocale directe sans avoir appris à partir des mêmes supports. Cette distinction évite de transformer une différence de recherche en affirmation générale sur tous les assistants concurrents.
L’expression d’une émotion ne suffit pas à prouver sa compréhension
La voix ajoute des indices qui disparaissent dans une transcription. Mais un rire bien placé ne démontre pas à lui seul une compréhension de la situation. Une évaluation utile devrait comparer les réactions à des situations variées. Elle devrait aussi examiner les erreurs et la stabilité de ces réactions. Les démonstrations disponibles ne permettent pas de conclure à une amélioration mesurée de la sécurité.
Nos articles sur les modèles vocaux de Mistral éclairent d’autres choix pour traiter la parole. Je retiens ici une piste de recherche plutôt qu’un outil déjà accessible à tous. La proximité créée par une voix mérite de l’attention. Elle doit donner envie de vérifier ce que le système comprend autant que ce qu’il sait faire entendre.