Contrairement aux systèmes vocaux qui convertissent la parole en texte avant de répondre, Dessa traite l’audio directement, de bout en bout. Entraîné uniquement sur des conversations humaines, ce modèle speech-to-speech fonctionne en full-duplex : il peut parler et écouter en même temps, couper la parole ou ponctuer l’échange de rires et d’acquiescements. Les démonstrations montrent aussi comment l’intonation et les pauses portent le sens.
L’inférence serait plus rapide que le temps réel et l’exécution locale est annoncée sur MacBook Pro M4 Max ou supérieur. Cela reste un aperçu de recherche ; l’équipe invite des spécialistes de la sécurité de l’IA à évaluer les risques d’un modèle qui perçoit les émotions dans la voix.
Ragavan Thurairatnam
