A Block, empresa de tecnologia fundada por Jack Dorsey, apresentou um modelo de voz que tenta corrigir uma das limitações mais perceptíveis dos assistentes atuais: a sensação de que existe um atraso artificial entre o que a pessoa diz e o que a máquina entende. Chamado Dessa, o sistema foi treinado inteiramente com fala humana, funciona em modo full-duplex e pode rodar localmente em um computador de consumo com hardware potente.
A novidade foi publicada pelo TechCrunch em 24 de outubro de 2026. O interesse não está apenas no som mais convincente. A proposta da Block combina escuta e fala simultâneas, pausas, risadas, choro e diferentes cadências. Em vez de converter cada frase em texto, enviar o texto para um modelo de linguagem e só depois sintetizar uma resposta, a arquitetura tenta preservar parte das informações que existem na voz, como ritmo, hesitação e emoção.
O que muda quando a IA ouve e fala ao mesmo tempo
Grande parte dos assistentes de voz tradicionais trabalha em etapas. Primeiro, o sistema detecta que alguém começou a falar. Depois, transforma o áudio em texto, interpreta a solicitação e gera uma resposta textual. Por fim, outro componente converte a resposta em áudio. Esse desenho é funcional, mas cria atrasos e pode descartar detalhes que não aparecem na transcrição.
O modelo da Block usa uma abordagem full-duplex. Isso significa que ele pode escutar e produzir voz ao mesmo tempo, como acontece em uma conversa natural. Uma pessoa pode interromper a resposta, mudar de assunto ou reagir antes de a máquina terminar a frase. Em teoria, isso deixa a interação menos parecida com uma fila de comandos e mais próxima de uma conversa.
A diferença também aparece na maneira como a fala é construída. Uma transcrição registra as palavras, mas não descreve completamente a velocidade, o volume, a respiração ou a tensão de quem está falando. Se um usuário diz que está bem, mas usa uma voz cansada, um sistema que só olha para o texto perde uma pista importante. A Block afirma que Dessa foi desenvolvido para manter esse tipo de sinal no processo.
Por que o treinamento apenas com fala importa
Modelos de voz costumam depender de uma cadeia em que um modelo de linguagem produz o texto e um sintetizador tenta transformar o resultado em uma fala expressiva. Algumas ferramentas usam etiquetas para indicar emoção, como alegria, surpresa ou tristeza. Essa técnica oferece controle, mas também pode fazer a emoção parecer adicionada depois, como uma camada aplicada a uma frase pronta.
Segundo a Block, Dessa foi treinado apenas com conversas em áudio. A empresa diz que o modelo aprendeu a associar conteúdo e expressão sem precisar passar por uma representação textual intermediária. Isso não prova, por si só, que ele compreende sentimentos ou que tenha uma personalidade. A afirmação significa que os padrões de fala fazem parte do próprio aprendizado do sistema.
Essa escolha pode produzir vozes mais naturais, mas também cria novos desafios. Um sistema que parece cansado, nervoso ou emocionado pode induzir o usuário a atribuir uma intenção humana à máquina. A naturalidade pode aumentar a confiança em uma resposta mesmo quando o conteúdo está errado. Por isso, a qualidade de uma voz não deve ser confundida com conhecimento, consciência ou bom julgamento.
O modelo roda no computador do usuário
A Block afirma que Dessa pode ser executado em uma máquina como um MacBook Pro com chip M4 Max ou superior. O processamento local é relevante por três motivos. O primeiro é a latência: o áudio não precisa viajar até um servidor e voltar antes de cada frase. O segundo é a privacidade, porque a conversa pode permanecer no equipamento. O terceiro é o custo operacional, já que uma aplicação não precisa enviar cada interação para um serviço remoto.
Executar localmente não significa que o modelo seja leve para qualquer computador. Um sistema de fala full-duplex precisa processar áudio continuamente e manter baixa demora entre entrada e saída. O hardware necessário ainda está acima do que existe na maioria dos celulares e notebooks básicos. Para uma aplicação popular, a otimização será tão importante quanto a qualidade da voz.
Também é preciso considerar atualizações e segurança. Um modelo instalado no dispositivo pode ser mais privado, mas precisa receber correções e ter permissões bem controladas. Se um aplicativo de voz puder acessar microfone, arquivos, contatos e outros serviços, o usuário deverá entender quando cada acesso acontece. A execução local reduz uma categoria de risco, mas não elimina a necessidade de proteção.
Onde a tecnologia pode ser usada
O exemplo mais óbvio são assistentes pessoais, mas há usos em atendimento ao cliente, acessibilidade, educação e ferramentas para desenvolvedores. Um atendimento por voz com interrupções naturais pode resolver problemas simples sem obrigar o usuário a repetir frases em um menu automático. Uma aplicação de acessibilidade pode adaptar a velocidade e a clareza da fala sem depender de conexão estável.
Para equipes de software, uma voz com resposta rápida pode transformar interfaces de criação, testes e suporte. Um desenvolvedor poderia conversar com um ambiente de programação enquanto mantém as mãos no teclado. Um técnico em campo poderia consultar instruções sem tirar os olhos de uma máquina. Em todos esses casos, o ganho real depende de precisão, transparência e capacidade de corrigir o sistema quando ele entender algo errado.
A Block também atua em serviços financeiros e ferramentas para pequenas empresas. A companhia já usa voz em soluções de atendimento e pedidos, segundo o TechCrunch. Um modelo capaz de funcionar no dispositivo poderia reduzir custos de chamadas e permitir experiências de voz em equipamentos que não têm conexão permanente com a nuvem.
O que ainda não está pronto
Dessa não estava disponível publicamente no momento do anúncio. A Block convidou pesquisadores de segurança para testar o modelo, inclusive porque uma voz convincente pode ser usada para enganar pessoas. A mesma característica que torna um assistente agradável também pode facilitar golpes, imitações e manipulação emocional.
Antes de chegar a produtos amplos, o sistema precisa ser avaliado em sotaques, ruído, idiomas e situações de interrupção. Uma tecnologia treinada com um conjunto limitado de vozes pode ter desempenho desigual. No Brasil, seria importante medir o funcionamento em português brasileiro, com diferentes regiões e ambientes, antes de considerar a experiência pronta para o público local.
O que o anúncio revela sobre a próxima fase da IA
O movimento da Block indica que a disputa em inteligência artificial não acontece apenas entre modelos que escrevem melhor ou respondem perguntas mais difíceis. A interface também está mudando. Se a conversa por voz ficar rápida, expressiva e privada, ela poderá ocupar espaços hoje dominados por telas, menus e teclados.
Para o usuário, a lição é simples: uma voz natural torna a interação mais fácil, mas exige mais cuidado. Pergunte quando o áudio é enviado para a nuvem, quais permissões são necessárias, se o modelo funciona sem conexão e como a empresa trata gravações. A tecnologia pode ser útil sem ser tratada como uma pessoa. O futuro da voz na IA dependerá tanto da engenharia quanto da clareza sobre esses limites.
O anúncio também ajuda a explicar por que modelos menores e especializados estão ganhando espaço. Um sistema que faz uma tarefa específica pode ser mais rápido e privado do que um modelo geral hospedado em um data center. Isso abre espaço para aplicações em computadores pessoais, lojas, carros e equipamentos industriais. A vantagem, no entanto, só aparece quando a empresa informa claramente qual parte funciona localmente e qual parte ainda depende da nuvem.
Outro ponto é a necessidade de criar indicadores para avaliar naturalidade sem premiar engano. Uma voz pode parecer humana e ainda assim responder de maneira incorreta, inventar detalhes ou seguir uma instrução perigosa. Testes de segurança precisam medir interrupções, resistência a manipulação e capacidade de admitir incerteza. O resultado deve ser uma ferramenta mais clara, não apenas uma voz mais sedutora.
Na prática, a tecnologia ainda precisa sair de demonstrações e enfrentar uso real. Conversas longas, ruído de rua, variações de pronúncia e falhas de rede costumam revelar limites que não aparecem em exemplos preparados. O fato de um modelo rodar em uma máquina local é promissor, mas não garante que ele tenha qualidade suficiente para substituir interfaces tradicionais.
Mesmo assim, o anúncio aponta para uma mudança de expectativa. Usuários poderão esperar que sistemas de IA entendam interrupções, silêncio e tom de voz, em vez de responderem apenas a frases perfeitamente formuladas. Essa evolução pode beneficiar pessoas com dificuldades motoras ou de digitação, desde que o serviço ofereça controles, legendas e alternativas acessíveis.
A consequência mais importante para o público brasileiro é que voz e privacidade terão de ser discutidas juntas. Uma conversa natural convida o usuário a revelar mais, porque falar parece mais fácil do que digitar. Empresas precisarão explicar o que é gravado, por quanto tempo, onde o áudio é processado e como apagar o histórico. Sem essas respostas, a fluidez da interface pode esconder um custo pessoal alto.
Por enquanto, Dessa é uma demonstração de direção tecnológica, não um produto disponível para todos. A Block ainda precisa publicar detalhes sobre modelo, licença, idiomas e desempenho. O interesse está em acompanhar se o processamento local consegue entregar uma conversa realmente útil sem transformar emoção sintética em falsa autoridade. A próxima interface da IA pode ser a voz, mas sua credibilidade dependerá de transparência e controle.
Fonte: matéria original do TechCrunch sobre o modelo de voz da Block.
