Dessa, la voix de Block qui apprend le langage à l'oreille
— AUDIOVISUEL
Block entraîne un modèle vocal uniquement sur des enregistrements de conversations, sans jamais passer par le texte, et le fait tenir sur un simple ordinateur portable une fois formé. Aucune API, aucun poids téléchargeable : la démonstration reste une promesse de laboratoire, pas un outil disponible.
Un assistant vocal qui rit au milieu d'une phrase ou complète une pensée interrompue, sans jamais avoir lu une ligne de texte pour apprendre à parler. C'est le pari de Dessa, le modèle développé par Block, l'entreprise de Jack Dorsey, entraîné exclusivement sur des enregistrements de voix humaines. Pas de transcription intermédiaire, pas de modèle de langage préentraîné en amont : le système associe directement les sons, les intonations et les situations.
Cette approche touche un point sensible du son travaillé en production : tout ce qui se perd à l'écrit. Un soupir, une hésitation, un sarcasme, une accélération du débit portent du sens que le texte efface. Un modèle capable de garder ces nuances dans sa compréhension comme dans sa génération vocale annonce une génération de voix synthétiques plus proches d'une interprétation que d'une lecture. Pour quiconque calibre aujourd'hui une voix off IA ou ajuste un doublage généré, c'est le genre de brique qui, une fois mature, change la qualité d'un rendu sans toucher au script.
La démonstration la plus parlante tient dans l'écart entre l'entraînement et l'usage. Block a formé Dessa sur un unique supercalculateur NVIDIA, une infrastructure réservée aux plus gros laboratoires, puis affirme faire tourner le modèle sur un simple MacBook Pro, plus vite que le temps réel. Cet écart compte pour le marché autant que pour la technique : il laisse entrevoir des voix IA natives qui ne nécessiteraient plus de serveur distant pour converser sans latence, ce qui pèsera un jour sur le coût des outils de voix déjà en production.
La confrontation filmée entre Dessa et GPT-Live-1, le modèle vocal d'OpenAI, montre surtout que la bataille sur la voix conversationnelle quitte le terrain du simple chatbot pour celui de l'interruption, du rire et du souffle. Cette course entre laboratoires dessine le futur rapport de force sur les moteurs vocaux qui équiperont, demain, les assistants et les outils créatifs de doublage.
Aucun accès général, aucune API, aucun poids téléchargeable n'accompagne ces enregistrements. Block réserve pour l'instant l'accès à un petit groupe de chercheurs en sécurité, le temps d'examiner ce qu'une voix capable d'exprimer l'émotion sans la comprendre peut produire comme malentendu. Tant que la porte reste fermée, Dessa demeure une vitrine de recherche impressionnante, à des années d'un livrable qu'un studio pourrait intégrer dans une chaîne de production.