Block, insan sesini taklit eden yeni ses modeli Dessa'yı tanıttıBlock introduces Dessa, a new voice model that mimics the human voice

ÖzetSummary

Jack Dorsey'nin fintech şirketi Block, tamamen insan sesinden eğitilmiş ve metin aracı gerektirmeyen tam çift yönlü (full-duplex) ses-ses modeli Dessa'yı tanıttı. Model, doğal duraklamalar, kahkahalar ve duygusal geçişler üretebiliyor; MacBook M4 Max gibi tüketici donanımlarında çalışabiliyor. Henüz kamuya açık erişim veya bağımsız kıyaslamalar yok; Block, manipülasyon risklerini araştırmak için güvenlik araştırmacılarını davet ediyor.Jack Dorsey's fintech company Block has introduced Dessa, a fully bidirectional (full-duplex) voice-to-voice model trained entirely on human speech that requires no text intermediary. The model can generate natural pauses, laughter, and emotional shifts, and it runs on consumer hardware like the MacBook M4 Max. There is currently no public access or independent benchmarks; Block is inviting security researchers to investigate manipulation risks.

Neden ÖnemliWhy it matters

Block'un, ses odaklı bir akışın baskın metin köprüsü mimarisinden daha iyi performans göstereceği iddiası doğrulanırsa, bu durum Square platformunda zaten faaliyet gösteren milyonlarca küçük işletme için sesli yapay zekânın ekonomik yapısını yeniden şekillendirecektir. Daha geniş bir perspektifden bakıldığında, yerel olarak çalışabilen ve duygusal ifadeye sahip sesli ajanlar, 'doğal' etkileşimin ne anlama geldiği konusunda beklentileri yükseltiyor. Bu durum, OpenAI, ElevenLabs ve diğer rakiplerin metni ortada tutan tasarımlarını gerekçelendirmeleri için baskı oluşturuyor. Güvenlik boyutu da kritik: yorgunluk, sıkıntı veya ikna edicilik taklit edebilen sesli ajanlar, ölçekli dolandırıcılık ve sosyal mühendislik açısından doğrudan sonuçlar doğuruyor.If Block's claim that a voice-centric flow outperforms the dominant text-bridge architecture is validated, it will reshape the economics of voice AI for the millions of small businesses already operating on the Square platform. From a broader perspective, locally runnable voice agents with emotional expression are raising the bar for what 'natural' interaction means. This puts pressure on OpenAI, ElevenLabs, and other competitors to justify their text-centric designs. The security dimension is also critical: voice agents capable of mimicking fatigue, distress, or persuasiveness have direct implications for large-scale fraud and social engineering.

Öne ÇıkanlarHighlights

• Üretim döngüsünde metin token'ı bulunmayan tam çift yönlü, ses-ses mimarisi; duygunun etiket tabanlı değil, içsel olduğu iddia ediliyor.A fully bidirectional, voice-to-voice architecture with no text tokens in the production loop; emotion is claimed to be intrinsic rather than label-based.
• Eğitim için tek bir NVIDIA GPU rafı, çıkarım için ise MacBook M4 Max veya daha üstü tüketici donanımı yeterli. Bu durum, yalnızca buluta dayalı sesli yapay zekâ maliyetlerinin önüne geçiyor.Training required only a single NVIDIA GPU rack, while inference runs on consumer hardware like the MacBook M4 Max or higher. This circumvents the costs associated with cloud-only voice AI.
• Henüz kamuya açık API, yayımlanmış kıyaslamalar veya üçüncü taraf değerlendirmesi yok; Block, daha geniş çaplı yayına geçilmeden önce kırmızı takım (red-team) güvenlik testleri için açık çağrıda bulunuyor.There is no public API, published benchmarks, or third-party evaluation yet; Block is issuing an open call for red-team security testing before a wider rollout.

EleştiriCritical take

Tüm performans iddiaları, Block'un kendi seçtiği demolarına ve tek bir araştırmacının 'GPT3 anı' çerçevesine dayanıyor. Bağımsız kıyaslamalar, model kartı detayları (parametre sayısı, veri ölçeği, kayıp metrikleri) yok. 'Duygu yerleşik' iddiası, gizli etiketlerin devrede olup olmadığının belirsizliğine işaret eden TechCrunch'ın kendi notuyla bile temkinli bir dille ifade ediliyor. Kamuya açık erişim yokken ve yeteneği abartma yönünde açık bir ticari motivasyon bulunurken, bu duyuru doğrulanabilir bir teknik katkıdan çok bir pazarlama hamlesi gibi okunuyor.All performance claims rely on Block's own selected demos and a single researcher's 'GPT-3 moment' framing. Independent benchmarks and model card details (parameter count, data scale, loss metrics) are absent. The 'intrinsic emotion' claim is expressed cautiously, even by TechCrunch, which notes the ambiguity regarding whether hidden labels are in play. With no public access and a clear commercial motivation to exaggerate capabilities, this announcement reads more like a marketing move than a verifiable technical contribution.