Dessa, Model Suara Block yang Bicara Seperti Manusia

Perusahaan pembayaran Block mengumumkan model suara baru pada 23 Oktober. Nama model itu Dessa. Klaim Block terdengar berani. Dessa dilatih dari nol hanya dengan percakapan manusia, tanpa teks, tanpa model bahasa yang sudah jadi. Hasilnya adalah model yang bisa mendengarkan sambil berbicara, tertawa di tengah kalimat, menyela lawan bicara, dan terdengar lelah setelah seharian bekerja.

Pengumuman ini datang dari lab riset kecil di dalam Block yang melapor langsung ke Jack Dorsey, salah satu pendiri perusahaan. Dorsey menyebut Dessa sebagai model speech full-duplex paling autentik yang pernah dibuat. Pemimpin lab, Ragavan Thurairatnam, menyebut momen ini sebagai momen GPT3 untuk suara. Nada pengumuman itu besar. Bukti yang tersedia masih terbatas pada rekaman demo dari Block sendiri.

Verdict: Suara Manusia Tanpa Teks, Masih Pratinjau Riset

Verdict singkatnya begini. Dessa adalah eksperimen yang menarik karena membalik urutan biasa dalam membangun AI suara. Asisten suara pada umumnya mengubah ucapan menjadi teks, memproses teks itu, lalu mengubah jawaban kembali menjadi suara. Setiap langkah membuang informasi. Nada, jeda, tawa, dan keraguan hilang di tengah jalan. Dessa melewati jalur teks itu. Model menerima audio dan mengeluarkan audio.

Pendekatan ini menghasilkan percakapan yang terasa lebih hidup dalam demo. Dessa tertawa, mengubah volume saat diminta, dan menyelesaikan kalimat lawan bicara dalam permainan tebak judul film. The Verge menggambarkannya sebagai berbicara seperti teman baru yang canggung. Deskripsi itu tepat. Beberapa demo terdengar natural, beberapa terdengar aneh dan ganjil.

Batasan yang perlu dipegang: Dessa belum bisa dipakai publik. Akses awal hanya untuk sekelompok kecil peneliti keamanan AI, dan sisanya hanya bisa mendaftar di daftar tunggu. Block belum merilis makalah, bobot model, tolok ukur, jumlah parameter, API, harga, atau tanggal rilis. Semua klaim soal kualitas masih berasal dari Block dan rekaman demo pilihannya. Artikel ini menjelaskan apa yang diklaim Block, apa yang ditunjukkan demo, dan apa yang belum terbukti.

Dessa dan Cara Kerja Model Suara Tanpa Teks

Sebagian besar asisten suara bekerja dalam tiga tahap. Mikrofon menangkap suara. Sistem mengubah suara menjadi teks. Model bahasa membaca teks, menyusun jawaban dalam bentuk teks, lalu sistem text-to-speech mengubah jawaban itu menjadi suara. Rantai ini praktis dan mudah dibangun di atas model bahasa yang sudah ada. Kelemahannya jelas. Informasi yang hanya hidup dalam suara tidak pernah sampai ke model bahasa. Model tidak mendengar keraguan, kelelahan, atau kegembiraan. Model hanya membaca kata.

Block mengambil jalan lain. Dessa adalah model speech-to-speech sejati menurut halaman proyeknya. Segala yang diketahui model berasal dari ucapan manusia. Tidak ada teks dalam data latih. Tidak ada model yang sudah dilatih sebelumnya yang dipakai sebagai fondasi. Block menyebut model ini dilatih dari nol dengan satu rak komputasi Nvidia GB200 NVL72. Block juga menyebut Dessa belajar dari kata yang jumlahnya ratusan kali lebih sedikit dibanding model bahasa besar. Angka itu adalah klaim Block, bukan hasil pengujian independen.

Baca juga:

AI Agent: Cara Kerja dan Manfaatnya untuk Desain dan Bisnis

Full-duplex adalah kata kunci kedua. Model full-duplex mendengarkan sambil berbicara, seperti percakapan telepon biasa. Model bisa disela, bisa memberi respons singkat seperti “ya” atau “oke” di tengah kalimat lawan bicara, dan bisa mengubah arah pembicaraan saat lawan bicara mengubah pikiran. Model suara biasa bekerja bergiliran: mendengar, berhenti, berpikir, menjawab. Dessa dirancang untuk tumpang tindih, sama seperti manusia.

Block juga mengklaim Dessa berjalan lebih cepat dari waktu nyata dan bisa berjalan lokal di MacBook Pro dengan chip M4 Max atau yang lebih baik. Klaim berjalan lokal ini penting. Model yang berjalan di perangkat tidak perlu mengirim suara ke server untuk setiap respons. Privasi menjadi lebih mudah dijaga, dan latensi bisa ditekan. Sekali lagi, klaim ini belum diuji pihak luar. Tidak ada angka latensi dalam milidetik yang dipublikasikan Block.

Sejarah tim di balik Dessa memberi konteks tambahan. Pada 2019, startup Toronto bernama Dessa merilis tiruan suara Joe Rogan yang cukup meyakinkan sampai masuk berita. Square, yang kini bernama Block, mengakuisisi startup itu pada Februari 2020. Thurairatnam, salah satu pendiri startup tersebut, kini memimpin lab riset Block. Tim yang dulu menunjukkan betapa mudah suara dipalsukan kini membangun model suara yang diajak bicara langsung.

Apa yang Ditunjukkan Demo Dessa

Block mempublikasikan enam rekaman unggulan di halaman Dessa. Lima rekaman menampilkan percakapan dengan manusia. Rekaman itu adalah bukti terbaik yang tersedia saat ini, sekaligus bukti yang paling perlu dicurigai. Demo yang dikurasi perusahaan selalu menampilkan sisi terbaik produk. Block menyatakan percakapan itu direkam langsung dan subtitle ditambahkan belakangan. Pernyataan itu belum bisa diverifikasi pihak luar.

Dalam satu demo, Dessa bermain permainan tebak judul film dan menyelesaikan kalimat lawan bicara. Dalam demo lain, seseorang menceritakan kejutan perjalanan ke Paris, dan Dessa menjawab dengan suara yang terdengar seperti rasa terima kasih yang emosional. Dalam demo lain lagi, Dessa terdengar lelah saat berkata lelah setelah bekerja. Momen-momen ini menunjukkan kemampuan yang sulit dicapai model berbasis teks: emosi yang menempel pada kata, bukan ditempel sesudahnya.

Satu demo membandingkan Dessa dengan model suara lain yang diberi label GPT-Live-1. Dalam rekaman itu Dessa terdengar lebih natural. Block memberi catatan bahwa pengembang model pembanding tidak berafiliasi dengan Block dan tidak meninjau atau mendukung Dessa. Kedua suara dalam klip itu dihasilkan AI. Perbandingan yang dipilih perusahaan sendiri tentu menguntungkan perusahaan itu. Pengujian independen tetap diperlukan sebelum perbandingan ini bisa dianggap serius.

Demo juga menunjukkan kekurangan. The Verge mencatat beberapa percakapan terasa canggung dan ganjil. Dalam satu percakapan yang dibagikan Thurairatnam, model sempat mengira lawan bicara sebagai seseorang bernama Ronaldo. Kesalahan seperti ini mengingatkan bahwa Dessa masih pratinjau riset. Suara yang manusiawi tidak sama dengan pemahaman yang bisa diandalkan. Model bisa terdengar yakin sambil salah.

Baca juga:

Auditor Eksternal Kini Bisa Mengaudit Model AI Anthropic

Satu pertanyaan teknis masih terbuka. TechCrunch mencatat belum jelas apakah emosi Dessa diarahkan oleh semacam tag atau penanda. Beberapa model suara lain, seperti ElevenLabs v4 atau Fish Audio Drama 3, memakai voice tag untuk mengarahkan emosi dalam hasil suara. Block mengklaim emosi Dessa dibangun di dalam model. Klaim itu belum bisa diperiksa tanpa akses ke model atau dokumentasi teknis.

Tabel Perbandingan: Dessa vs Asisten Suara Berbasis Teks

Tabel ini merangkum perbedaan arsitektur, bukan putusan kualitas. Dessa memenangkan kategori kealamian suara dalam demonya sendiri. Asisten berbasis teks memenangkan kategori bukti. Asisten berbasis teks sudah diuji jutaan orang setiap hari. Dessa baru diuji dalam rekaman yang dipilih Block. Perbandingan yang adil baru bisa dibuat setelah peneliti independen memegang modelnya.

Mengapa Block, Perusahaan Pembayaran, Membangun Model Suara

Pertanyaan yang wajar: apa urusan perusahaan pembayaran dengan model suara? Jawabannya ada pada bisnis inti Block. Block menjalankan Square dan Cash App, dua bisnis yang hidup dari interaksi dengan usaha kecil dan pelanggan. Telepon pemesanan, layanan pelanggan, dan dukungan penjual adalah percakapan suara. TechCrunch mencatat Square sudah memakai AI suara untuk pemesanan. Model suara yang menangani percakapan telepon dengan baik punya nilai komersial langsung bagi Block.

Model yang berjalan lokal menambah nilai itu. Usaha kecil tidak selalu punya koneksi stabil atau anggaran besar untuk panggilan API cloud. Model yang berjalan di perangkat bisa menekan biaya dan menjaga data percakapan tetap di perangkat. Argumen ini masuk akal sebagai strategi. Argumen ini belum terbukti sebagai produk, karena Dessa belum dijual atau diintegrasikan ke produk Square mana pun.

Ada pula motif riset. Dorsey memimpin lab ini secara langsung, dan lab ini kecil. Proyek seperti Dessa memberi Block cerita riset yang terpisah dari bisnis pembayaran. Cerita itu menarik talenta, menarik perhatian pers, dan menempatkan Block dalam percakapan AI yang biasanya didominasi laboratorium besar. Publikasi tanpa produk adalah strategi yang sah. Pembaca hanya perlu membedakan antara cerita riset dan produk yang bisa dibeli.

Konteks industri yang lebih luas juga relevan. Gelombang AI suara sedang bergerak dari asisten yang menjawab perintah menuju agen yang bercakap-cakap. Artikel Grafisify tentang cara kerja dan manfaat AI agent untuk desain dan bisnis menjelaskan perbedaan antara model yang menjawab pertanyaan dan agen yang bertindak. Dessa berada di sisi percakapan dari pergeseran itu. Model yang terdengar manusiawi adalah prasyarat bagi agen suara yang dipercaya menangani tugas nyata.

Sisi Gelap Suara yang Terlalu Manusiawi

Reaksi terhadap Dessa terbagi dua. Sebagian orang kagum. Sebagian lagi khawatir. Kekhawatiran itu beralasan. Suara yang terdengar manusiawi membuat panggilan penipuan lebih sulit dikenali. Penipu sudah memakai tiruan suara untuk meniru anggota keluarga yang sedang dalam masalah. Model yang bisa tertawa, terdengar lelah, dan menyela lawan bicara membuat tiruan itu makin meyakinkan.

Baca juga:

3 Proyek AI Mahasiswa Indonesia yang Didukung NVIDIA

Angka dari laporan kejahatan internet FBI memberi gambaran skala masalah penipuan suara yang sudah ada. Laporan FBI untuk 2025, yang terbit pada April 2026, mencatat 22.364 keluhan yang menyebut AI dan kerugian yang dilaporkan sebesar 893 juta dolar. FBI menyebut korban kehilangan lebih dari 5 juta dolar karena penipuan darurat yang memakai suara kloning untuk meniru orang terkasih yang sedang dalam masalah. Angka itu menggambarkan laporan dan kerugian pada 2025. Angka itu tidak membuktikan Dessa dipakai dalam penipuan apa pun. Dessa belum tersedia untuk publik.

Block merespons risiko ini dengan urutan akses yang hati-hati. Peneliti keamanan AI mendapat akses lebih dulu, dengan tugas mencari risiko yang belum diantisipasi Block. Urutan ini lebih baik daripada rilis terbuka langsung. Urutan ini bukan jaminan. Peneliti keamanan tidak bisa menguji semua penyalahgunaan, dan model yang akhirnya dirilis luas tetap bisa dipakai penipu dengan cara yang belum terpikirkan saat pratinjau.

Pertanyaan yang belum dijawab Block juga penting. Belum ada pernyataan publik dari Block soal watermark pada audio hasil Dessa, pemeriksaan persetujuan sebelum meniru suara seseorang, atau perlindungan terhadap peniruan tokoh tertentu. Detail seperti ini menentukan apakah Dessa bisa dipakai dengan aman di produk konsumen. Sampai Block menjawabnya, kehati-hatian adalah sikap yang tepat.

Perkembangan ini berkaitan dengan tren audit dan pengawasan AI yang makin ketat. Artikel Grafisify tentang auditor eksternal yang kini bisa mengaudit model AI Anthropic menunjukkan bahwa klaim keamanan perusahaan AI makin sering diminta dibuktikan pihak luar. Dessa akan menghadapi tuntutan yang sama. Klaim soal keamanan model suara tidak cukup hanya dinyatakan. Klaim itu perlu diuji.

Kesalahan Paham yang Perlu Diluruskan

Kesalahan paham pertama: Dessa sudah bisa dipakai semua orang. Tidak benar. Dessa adalah pratinjau riset. Publik hanya bisa mendaftar di daftar tunggu. Akses awal dibatasi untuk sekelompok kecil peneliti keamanan. Tidak ada tanggal rilis publik yang diumumkan.

Kesalahan paham kedua: Dessa memahami percakapan seperti manusia karena terdengar seperti manusia. Tidak benar. Kealamian suara dan kualitas pemahaman adalah dua hal yang berbeda. Demo menunjukkan Dessa salah mengenali lawan bicara sebagai Ronaldo. Suara yang meyakinkan bisa membungkus jawaban yang salah. Pengujian pemahaman dan pengetahuan Dessa belum tersedia.

Kesalahan paham ketiga: melatih dari suara saja berarti Dessa lebih aman atau lebih etis dibanding model lain. Belum terbukti. Data percakapan manusia tetap membawa masalah persetujuan, privasi, dan representasi. Block belum menjelaskan secara rinci dari mana percakapan latih itu berasal, bagaimana persetujuan diperoleh, atau bahasa apa saja yang tercakup. Block menyebut mempelajari bahasa baru sebagai pertanyaan terbuka. Tanpa detail itu, tidak ada dasar untuk menyebut pendekatan ini lebih bersih.

Baca juga:

Model AI Open-Weight Meta Kini Bisa Jalan di Mac

Kesalahan paham keempat: model suara yang berjalan lokal berarti tidak ada risiko sama sekali. Tidak benar. Model lokal mengurangi pengiriman data ke server, tetapi model lokal tetap bisa dipakai untuk membuat panggilan penipuan dari perangkat siapa pun yang memegangnya. Keamanan terletak pada kontrol akses, watermark, dan kebijakan pemakaian, bukan hanya pada lokasi model berjalan.

Di sisi lain, ada pula ketegangan antara pemilik platform dan agen otomatis yang makin memanas. Artikel Grafisify tentang mengapa situs web menutup pintu untuk AI agent menunjukkan bahwa agen yang makin mampu justru makin sering diblokir. Agen suara yang terdengar manusiawi akan menghadapi ketegangan yang sama di saluran telepon. Bisnis dan individu akan memasang penyaring baru begitu agen suara menjadi umum.

Kesimpulan dan CTA: Suara Bukan Lagi Bukti Identitas

Dessa membuktikan satu hal dengan cukup kuat: melatih model suara dari percakapan manusia saja bisa menghasilkan suara yang terasa hidup, lengkap dengan tawa, jeda, dan kesalahan kecil yang manusiawi. Dessa belum membuktikan hal lain yang sama pentingnya: pemahaman yang bisa diandalkan, keamanan dari penyalahgunaan, dan manfaat nyata di produk. Tiga hal itu baru bisa dinilai setelah peneliti independen menguji modelnya dan Block membuka detail teknis.

Untuk pembaca, langkah praktisnya ada tiga. Pertama, jangan menganggap Dessa sebagai produk yang bisa dicoba minggu ini. Dessa adalah pratinjau riset di balik daftar tunggu. Kedua, perlakukan suara yang terdengar familiar sebagai petunjuk, bukan bukti identitas. Keluarga bisa menyepakati kata sandi pribadi, dan panggilan yang meminta uang atau data sensitif layak diverifikasi lewat nomor yang sudah dikenal, bukan lewat suara di telepon. Ketiga, bagi pemilik usaha yang menerima pesanan lewat telepon, siapkan langkah verifikasi terpisah untuk permintaan pembayaran, apa pun seberapa manusiawi suara penelepon terdengar.

Perkembangan model suara juga berkaitan dengan arah perangkat yang makin mandiri. Artikel Grafisify tentang model AI open weight Meta yang kini bisa jalan di Mac menunjukkan kemampuan AI yang makin dekat ke perangkat pengguna. Dessa bergerak ke arah yang sama untuk suara. Ketika model suara berjalan di perangkat sendiri, pertanyaan soal pengurungan dan keamanan bergeser dari pusat data ke perangkat pengguna.

Bagikan artikel ini ke rekan yang sering menerima telepon dari nomor tak dikenal, dan simpan sebagai referensi saat ada yang bertanya apakah suara manusiawi di telepon masih bisa dipercaya. Jawabannya makin sering: tidak dengan sendirinya. Untuk bacaan lanjutan soal perangkat AI yang mengubah cara bekerja tanpa layar, lihat juga artikel Grafisify tentang perangkat AI pengganti aplikasi dan masa depan tanpa layar.

Sumber: laporan TechCrunch, laporan CoinDesk, analisis ExplainX, liputan Dealroom, serta esai Medium.

Baca juga:

Mengapa Situs Web Menutup Pintu untuk AI Agent