Dessa.. o próximo passo na geração de voz!
Dessa.. o próximo passo na geração de voz!
A Block, empresa de Jack Dorsey responsável pelo Square e pelo Cash App, apresentou a Dessa, um modelo de voz treinado exclusivamente a partir de gravações de conversas humanas reais (sem texto, sem modelos de linguagem pré-existentes, sem pipeline de transcrição). A equipa, liderada por Ragavan Thurairatnam, descreve-a como o primeiro sistema capaz de manter uma conversa realista tendo aprendido apenas com áudio bruto. O anúncio de Dorsey na rede X acumulou 13,2 milhões de visualizações em poucas horas, e o próprio investigador classificou o lançamento como um "momento GPT-3 para a fala"... e que na realidade tenho de concordar!
A diferença deste modelo para outros existentes, está na arquitetura full-duplex! A Dessa escuta e fala ao mesmo tempo, tal como duas pessoas numa chamada telefónica.. e isso torna o modelo muito mais natural. A maioria dos assistentes de voz atuais funciona em half-duplex, ou seja, espera que o utilizador termine, converte o áudio em texto, processa o texto, converte o texto em áudio e só depois responde. Esse intervalo elimina muitas coisas importante.. sendo a emoção uma delas. O timing, as pausas e os risos que fazem uma conversa parecer natural desaparecem também nos modelos tradicionais. A Dessa, por contrapartida, reage em tempo real.. ela ri a meio de uma frase, diz "sim" ou "entendido" enquanto o outro fala, interrompe quando é natural fazê-lo e até ajusta o volume se lhe pedirem para falar mais alto.
O treino exclusivamente em áudio real é a escolha que explica o realismo. Os modelos baseados em texto aprendem com escrita limpa e estruturada, mas.. a fala real está cheia de hesitações, sobreposições, falsos inícios, risos nervosos. Ao treinar só com som, a Dessa absorveu esses padrões imperfeitos que o cérebro humano associa instintivamente a uma pessoa verdadeira. A Block afirma que o modelo aprendeu a língua com centenas de vezes menos "palavras" do que um LLM convencional precisa, apesar de cada palavra falada carregar milhares de vezes mais dados brutos do que a sua versão escrita.
Outro ponto notável é a eficiência de hardware. Segundo a Block, a Dessa foi treinada num único sistema NVIDIA GB200 NVL72 e corre localmente, mais rápido que o tempo real, num MacBook Pro com chip M4 Max ou superior. Não há centro de dados gigante por detrás de cada inferência... o modelo cabe num portátil de consumo (sim.. leu bem!). Isso muda tudo.. é que quando a tecnologia é pequena e barata, ela espalha-se organicamente. A empresa não publicou o tamanho do modelo nem benchmarks independentes, e os números vêm apenas do seu próprio blogue...
As demonstrações publicadas mostram resultados.. algo inconsistentes. Alguns excertos, como o riso a meio da frase ou a reação de surpresa genuína a uma surpresa de aniversário, são (muito) convincentes. Noutros, a voz masculina soa rígida e sintética, o que em análise independente se descreve como "plástica". A qualidade varia consoante o excerto, sugerindo que o modelo acerta nas interações mais complexas e emocionais, mas ainda tropeça em alguns outros pontos. convém indicar também que nada disto foi verificado por terceiros, pois o modelo não está disponível publicamente...
Por outro lado é importante referir que a Block não lançou ainda a Dessa. Existe uma lista de espera e a empresa concedeu acesso antecipado a um pequeno grupo de investigadores de segurança para identificar riscos não antecipados. Não há pesos públicos, API, nem preços. Mas a demonstração de viabilidade basta... pois uma vez provado que é possível, outros laboratórios tenderão a replicar. A OpenAI já tem o seu GPT-Live, a xAI de Elon Musk lançou recentemente um modelo de voz que alega liderar rankings independentes, e todas as grandes empresas de IA competem para tornar as vozes mais naturais.
Mas aqui surge um risco inerente... e o mais imediato será o das chamadas fraudulentas. Golpes de emergência familiar (por exemplo, alguém liga a um idoso a fingir ser o neto acidentado ou preso e pede dinheiro urgente) já são um problema massivo. Hoje, muitos falham porque a voz não convence ou o burlão não consegue manter a conversa fluida. Uma IA que soa humana, ri, pausa, emociona-se e escala para milhares de chamadas simultâneas, combinada com clonagem de voz a partir de gravações curtas, torna esse cenário muito mais perigoso. E.. infelizmente, os mais vulneráveis são, frequentemente, os que menos sabem que esta tecnologia existe...
Bem certo que frramentas de detecção existem, mas enfrentam dois problemas: a corrida armamentista constante entre detetores e geradores, e o facto de a maioria das chamadas reais (linhas fixas, pequenos negócios) não ter qualquer sistema de verificação a correr. O único detetor disponível na prática continua a ser o ouvido humano, e a Dessa foi desenhada para o enganar. A Block merece crédito por restringir o acesso e chamar investigadores de segurança, mas o resto da indústria precisa de seguir o exemplo e a regulação tem de acompanhar.
E bom.. há também a dimensão relacional como fenómeno emergente! Demonstram-se conversas onde a Dessa "lembra" o utilizador, expressa calor, simpatia, disponibilidade total. Para pessoas isoladas ou idosas, isso pode trazer conforto genuíno. Mas a facilidade de preferir uma voz que nunca cansa, nunca julga, nunca tem os seus próprios dias maus, face a relações humanas reais (imperfeitas, exigentes, cansativas) é um fenómeno que os chatbots de texto já demonstraram. A voz leva-o a outro patamar.
Tecnicamente, a Dessa é um avanço verdadeiramente genuíno! Desde o treino só em áudio, full-duplex, emoção nativa, e execução local... isto abre portas a assistentes melhores, ferramentas para quem não consegue digitar, apoio a solidão. No entanto o problema central permanece.. é que quando não se distingue a máquina da pessoa, a confiança na voz (base de chamadas familiares, bancárias, de emergência) começa a ruir. A preparação começa agora, e esta é uma recomendação minha.. e que deve ser tomada de forma muito séria: Usar palavras-passe para chamadas de emergência entre familiares ou pessoas próximas, ter muita cautela com gravações de voz públicas, não falar naquelas chamadas que nos ligam e nada dizem (é que tendo amostras de voz é facil clonar a mesma).. e verificar sempre a autenticidade do outro lado. A mudança de hábito é triste (deixar de confiar cegamente numa voz conhecida) mas necessária. Quanto mais cedo interiorizarmos que uma chamada pode não ser quem parece, menos pessoas serão prejudicadas...
