Kenapa Dessa Block Belajar Bicara Hanya dari Suara Manusia?

Bayangkan kamu sedang menelepon teman lama. Kamu belum selesai bicara, ia sudah tertawa di tengah kalimatmu, lalu menyambung ucapanmu yang tertunda. Tidak ada jeda canggung, tidak ada nada robot yang datar.

Pada 23 Oktober 2026, sebuah lab AI kecil di dalam perusahaan Block mengumumkan Dessa, model percakapan suara yang diklaim belajar bicara hanya dari mendengarkan manusia. Tidak ada teks, tidak ada model bahasa yang sudah dilatih sebelumnya. Menurut Block, Dessa adalah model pertama yang bisa diajak bicara langsung secara realistis setelah dilatih semata-mata dari suara manusia.

Pengumuman ini langsung ramai. Di Hacker News, utasnya masuk halaman depan dengan ratusan poin dan ratusan komentar.

Apa yang Membuat Dessa Berbeda dari Asisten Suara Biasa?

Sebagian besar asisten suara bekerja dalam tiga langkah. Pertama, suaramu diubah menjadi teks.

Kedua, model bahasa memproses teks itu. Ketiga, jawabannya diubah kembali menjadi suara. Setiap langkah membuang informasi penting, seperti nada, jeda, tawa, dan emosi.

Dessa memotong rantai itu. Model ini menerima audio dan mengeluarkan audio secara langsung, tanpa langkah transkripsi di tengah. Block menyebut pendekatan ini speech to speech sejati, bukan sekadar suara yang ditempelkan ke chatbot teks.

Perbedaan terbesarnya ada pada waktu. Dessa bersifat full duplex, artinya ia mendengarkan dan berbicara pada saat yang sama, persis seperti manusia. Ia bisa menyela dengan sopan, memberi respons singkat seperti ya atau oke sambil kamu bicara, dan tertawa di tengah kalimat saat sesuatu terasa lucu.

Bagaimana Dessa Belajar Hanya dari Mendengarkan?

Bayi belajar bicara jauh sebelum ia bisa membaca. Block memakai logika yang sama untuk Dessa. Timnya melatih model dari nol hanya dengan rekaman percakapan manusia, tanpa satu baris teks pun sebagai penopang.

Tantangannya sangat besar. Satu kata yang diucapkan menyimpan ribuan kali lebih banyak byte daripada kata yang sama dalam bentuk teks. Ucapkan kalimat yang sama dua kali, hasilnya tidak pernah benar-benar identik.

Nada, napas, kecepatan, dan penekanan selalu berubah.

Justru dari variasi itulah Dessa belajar makna. Tekanan pada kata yang berbeda bisa mengubah arti kalimat yang sama sepenuhnya. Jeda bisa berarti ragu, sedangkan tawa bisa berarti setuju atau sekadar sopan.

Semua itu hilang saat suara dipaksa menjadi teks.

Block mengatakan Dessa belajar bahasa dari kata yang jumlahnya ratusan kali lebih sedikit daripada model bahasa besar. Klaim ini menarik, tetapi perlu dibaca dengan hati-hati. Model bahasa besar juga harus belajar banyak hal lain, mulai dari kode program sampai rumus matematika, sementara Dessa fokus pada percakapan.

Kenapa Latihan Satu Rak GPU Ini Mengejutkan Peneliti?

Menurut Block, seluruh pelatihan Dessa hanya memakai satu sistem NVIDIA GB200 NVL72. Angka itu terdengar kecil bila dibandingkan dengan klaster raksasa yang dipakai untuk melatih model bahasa terdepan, yang bisa berisi ribuan GPU.

Perbandingan ini tidak sepenuhnya setara, sebab tugas Dessa lebih sempit dan datanya berbeda. Namun tetap saja, melatih model percakapan dari nol dengan perangkat sebesar itu adalah pencapaian teknik yang patut diperhatikan. Ini menunjukkan bahwa arsitektur dan data yang tepat kadang lebih penting daripada sekadar menambah perangkat keras.

Hasilnya juga mengejutkan dari sisi penggunaan. Block mengatakan inferensi Dessa berjalan lebih cepat daripada waktu nyata, sehingga tidak ada jeda canggung saat menunggu jawaban. Model ini bahkan diklaim bisa berjalan lokal di MacBook Pro dengan chip M4 Max atau yang lebih baik.

Kemampuan berjalan lokal ini penting. Artinya, percakapan tidak harus selalu dikirim ke server jauh. Bagi produk yang menangani suara sensitif, seperti layanan pelanggan atau pendamping kesehatan, pemrosesan lokal bisa mengurangi risiko privasi dan biaya jaringan.

Apa yang Bisa dan Belum Bisa Dessa Lakukan?

Dari demo yang dirilis Block, Dessa terdengar sangat natural. Ia bisa menyelesaikan kalimat yang tertunda, merespons kejutan dengan terkesiap, dan berbicara dengan empati saat lawan bicaranya terdengar sedih. Dalam satu demo, Dessa bahkan diajak bicara dengan GPT Live, model suara dari OpenAI.

Menurut laporan Dealroom, unggahan Jack Dorsey tentang Dessa ditonton lebih dari 6,7 juta kali. Antusiasme itu wajar, sebab klaimnya berani. Namun bukti yang tersedia sejauh ini masih berupa demo rekaman pilihan perusahaan, bukan hasil uji independen.

Namun ada batas yang harus kamu catat. Block belum memublikasikan jumlah parameter, ukuran dataset, angka latensi, maupun hasil benchmark resmi. Tidak ada API, tidak ada bobot model yang bisa diunduh, dan tidak ada harga yang diumumkan.

Akses awal hanya dibuka untuk sekelompok kecil peneliti keamanan AI, sementara publik baru bisa mendaftar waitlist.

Demo yang beredar pun dipilih oleh perusahaan sendiri. Menurut laporan Dealroom, The Verge menilai demo Dessa sebagian besar natural, tetapi kadang terasa canggung. Dalam satu rekaman, model ini sempat salah mengira lawan bicaranya sebagai seseorang bernama Ronaldo.

Itu pengingat yang sehat bahwa demo yang dipoles bukan bukti performa di dunia nyata.

Kenapa Ini Penting Buat Kamu yang Membangun Produk AI?

Alasan pertama adalah pengalaman. Pengguna tidak berbicara dalam paragraf rapi seperti teks. Mereka ragu, mengulang, tertawa, dan menyela.

Produk suara yang hanya memahami kata akan selalu terasa kaku, seberapa pun pintarnya model teks di belakangnya.

Alasan kedua adalah keamanan. Block berargumen bahwa asisten suara yang tuli terhadap emosi bisa berbahaya. Bayangkan seseorang berbicara dalam kondisi kesakitan, tetapi asisten tetap melanjutkan dengan nada ceria karena ia tidak mendengar rasa sakit itu.

Model yang mendengar emosi bisa merespons dengan lebih tepat dan lebih manusiawi.

Alasan ketiga adalah efisiensi. Jika model suara bisa belajar dari kata yang jauh lebih sedikit dan berjalan di perangkat konsumen, biaya eksperimen bisa turun. Tim kecil tidak harus selalu mengejar klaster raksasa untuk menguji ide baru di bidang suara.

Kalau kamu sedang merancang produk sejenis, ada baiknya memulai dari masalah percakapan yang paling sering muncul, bukan dari demo yang paling mengesankan. Daftar eksperimen di /projects bisa menjadi gambaran bagaimana sebuah ide diuji dari prototipe sampai produk yang bisa dipakai. Dessa sendiri masih harus membuktikan diri di luar demo, tetapi arah risetnya sudah memberi pelajaran yang jelas.

Jadi, apakah Dessa adalah momen GPT 3 untuk suara, seperti yang dikatakan pimpinannya, Ragavan Thurairatnam? Mungkin terlalu dini untuk menyimpulkan.

Yang pasti, Dessa membuktikan bahwa belajar bicara tanpa teks bukan lagi sekadar teori. Sekarang giliran peneliti independen yang mengujinya, dan giliran kamu yang menilai apakah percakapan seperti ini memang kamu butuhkan di produkmu.