Un assistant vocal peut répondre juste et rendre la conversation pénible : il coupe trop tôt, attend trop longtemps ou manque une hésitation. Avec Dessa, présenté le 23 octobre 2026, Block veut s’attaquer à cette partie souvent négligée du dialogue. L’entreprise annonce un modèle entraîné à partir de conversations humaines, sans texte ni modèle préentraîné. Une piste intéressante, dont les performances restent à vérifier au-delà des exemples choisis par ses concepteurs.
Apprendre à parler sans commencer par lire
Dans sa présentation de Dessa, Block décrit un système qui reçoit du son et produit du son. Son pari consiste à apprendre directement dans la parole ce qu’une transcription conserve mal : le ton, le rythme et les petits signes qui permettent de suivre une conversation.
Une chaîne vocale classique peut associer reconnaissance de la parole, génération d’une réponse écrite, puis synthèse vocale. Cette organisation facilite la réutilisation des modèles de langage. Mais un texte transcrit ne restitue pas automatiquement la façon dont une phrase a été prononcée.
Prenons « très bien ». Selon le ton et la pause qui précède, ces deux mots peuvent exprimer l’accord, l’agacement ou la résignation. Pour un assistant, répondre au seul contenu littéral risque de produire un décalage. L’intérêt d’un apprentissage directement audio est de travailler avec ces indices dès le départ.
Cela ne signifie pas qu’une machine ressent ce qu’elle exprime. Une voix qui paraît émue constitue une production sonore ; elle ne permet pas de conclure à une émotion vécue. La question utile est plus concrète : cette voix aide-t-elle l’utilisateur à se faire comprendre ?
Le full-duplex change la gestion des interruptions
Dessa est présenté comme un modèle full-duplex, capable de recevoir et de produire de la parole simultanément. Dans un échange réussi, il faut pouvoir entendre une correction alors qu’on a déjà commencé à répondre. Il faut aussi distinguer une interruption d’un simple « oui » qui encourage à continuer.
Le bénéfice attendu dépasse donc la qualité du timbre. Imaginez une prise de rendez-vous : l’utilisateur corrige le jour au milieu de la réponse de l’assistant. Le test décisif consiste à vérifier que le système reprend la bonne date et la confirme clairement, sans perdre le fil.
Une autre voie dans une recherche déjà ancienne
Le dialogue vocal simultané n’est pas une invention de cette semaine. Le rapport scientifique de Moshi, publié en 2024 par des chercheurs de Kyutai, décrivait déjà un cadre de conversation full-duplex, avec des flux distincts pour la voix du système et celle de l’utilisateur.
Moshi part toutefois d’un modèle de langage textuel et associe texte et audio. La différence revendiquée par Block porte sur l’apprentissage de Dessa à partir de la seule parole. Il faut donc distinguer deux questions : peut-on écouter en parlant, et à partir de quelles données apprend-on à le faire ?
Ce choix ouvre aussi une interrogation sur les connaissances acquises. Une conversation enregistrée contient des faits et des raisonnements, mais ne remplace pas automatiquement les ressources écrites d’un assistant généraliste. Sans évaluations comparables, une aisance orale ne suffit pas à établir une supériorité en raisonnement ou en exactitude.
Des démonstrations qui laissent plusieurs questions ouvertes
La page de Block propose des enregistrements présentés comme des conversations en direct, avec sous-titres ajoutés après coup. Ce matériau donne à voir l’ambition du projet. Il ne mesure pas la fréquence des erreurs dans des situations moins favorables.
Au 26 octobre, la présentation publique ne fournit pas de batterie de tests standardisés permettant de comparer proprement Dessa à d’autres modèles. Block invite un petit groupe de chercheurs en sécurité à demander un accès anticipé ; une diffusion générale ne doit pas être déduite de cette annonce.
Pour juger un futur assistant, plusieurs vérifications comptent davantage qu’un extrait particulièrement convaincant :
| Situation à tester | Ce qu’elle permettrait d’évaluer |
|---|---|
| Une correction pendant la réponse | La prise en compte réelle d’une interruption |
| Un nom propre ou une adresse | La précision au-delà de la fluidité |
| Une pièce bruyante et plusieurs accents | La robustesse dans des conditions ordinaires |
| Une demande ambiguë | La capacité à demander une clarification |
| Un échange en français | Les capacités linguistiques, non établies ici |
Exécution locale ne signifie pas produit disponible
Block affirme que Dessa peut fonctionner localement sur un MacBook Pro équipé d’une puce M4 Max ou supérieure. L’annonce est intéressante pour les interfaces embarquées, mais elle ne précise pas tous les paramètres nécessaires à une évaluation reproductible : mémoire, latence selon les conditions, consommation ou limites des échanges.
Le traitement local pourrait réduire le besoin de transmettre de l’audio à un serveur. Il ne garantit pas, à lui seul, l’absence de journaux, de télémétrie ou d’autres transferts dans un futur produit. Il faudra examiner l’application effectivement distribuée.
Pourquoi ce pari a du sens pour Block
L’intérêt commercial des interfaces parlées est déjà visible chez Square. Le 14 octobre, l’entreprise a présenté une borne de commande dotée de fonctions vocales, destinée notamment à permettre aux clients de poser des questions sur un menu et de modifier leur commande.
Cette annonce donne un contexte au travail sur la voix. Elle ne démontre pas que Dessa équipe cette borne, ni qu’une intégration est programmée. Un prototype de recherche et un service commercial répondent à des exigences différentes.
Dans un restaurant, un assistant agréable doit surtout retenir les modifications, afficher le bon récapitulatif et laisser intervenir un salarié. La mesure du progrès serait alors le nombre de commandes correctement finalisées, plutôt que le seul sentiment de parler à une personne.
La confiance devra suivre le progrès de la voix
Une expression plus naturelle peut rendre un outil plus accessible. Elle peut aussi donner trop de poids à une réponse hésitante ou erronée. Plus la conversation semble facile, plus il devient nécessaire de rendre visibles ses limites et de confirmer les informations qui engagent une action.
Rien dans les éléments présentés ne permet d’affirmer que Dessa sait imiter une personne précise. Les questions de consentement, de transparence et d’usage abusif devront néanmoins faire partie des évaluations d’une technologie vocale aussi expressive.
Le prochain jalon sera donc une documentation technique accompagnée de tests externes : interruptions, exactitude, langues et fonctionnement local. Dessa mérite l’attention pour son choix d’apprentissage. Pour devenir utile au quotidien, il devra montrer que la qualité de la conversation améliore aussi la fiabilité du service rendu.
Références
- Block — Présentation de Dessa et enregistrements de démonstration, consultée le 26 octobre 2026.
- Block — Message officiel de présentation du 23 octobre 2026.
- Défossez et al. — Moshi: a speech-text foundation model for real-time dialogue, 2024.
- Square — Introducing the New Square Kiosk: Reimagining Self-Service with Intelligence, 14 octobre 2026.
