A voz de IA Dessa, da Block, é INSANA: ri no meio da frase (ouvi as demos reais)

Autoria: Prompt Engineer 48 · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Block’s Dessa AI Voice Is CRAZY: It LAUGHS Mid-Sentence (I Played the Real Demos) · Canal: Prompt Engineer 48 · 10:37 · Assistir no YouTube

Tópicos: Avaliação e benchmarks de IA, Modelos multimodais, Privacidade e proteção de dados, Segurança de IA

Resumo

O vídeo apresenta Dessa, um modelo de conversa speech-to-speech da Block que, segundo a empresa, processa áudio diretamente e consegue reproduzir sobreposição de falas, risadas, suspiros e mudanças de entonação. O apresentador toca demos de conversas e destaca o timing natural, mas ressalta que os exemplos são selecionados e que as principais alegações ainda não vêm acompanhadas de paper, benchmark público ou pesos para download. Ele também aponta riscos de segurança e privacidade, além de limitações para avaliar emoções apenas pelo áudio. A conclusão é que Dessa parece uma prévia promissora, mas ainda não é um produto que o apresentador possa testar por conta própria.

Pontos-chave

Dessa é apresentado como um modelo speech-to-speech, sem texto no meio do processamento.
Segundo a Block, o modelo foi treinado do zero apenas com fala humana e funciona em full duplex.
As demos mostram sobreposição de falas, interrupções, risadas e pequenas interjeições durante a conversa.
O apresentador considera o timing das respostas um dos aspectos mais notáveis das gravações.
As gravações são uma seleção da Block, e não há informações sobre quantas tentativas foram necessárias ou como soam os resultados ruins.
O vídeo observa que a página não apresenta paper, tabela de benchmark ou pesos para download.
Uma voz muito humana pode ser usada para pressionar pessoas, imitá-las ou oferecer conforto de formas prejudiciais.
A Block afirma que o modelo pode rodar localmente em um MacBook Pro M4 Max ou superior, mas o apresentador não verificou isso.
Dessa ainda está em lista de espera; o veredito do vídeo é tratá-la como uma prévia promissora, não como uma avaliação de produto.

Capítulos

Início	Capítulo	Resumo
00:00	O que é Dessa e o problema dos assistentes de voz atuais	O vídeo explica a perda de entonação e outros sinais da fala em sistemas baseados em etapas separadas de áudio e texto.
02:06	Demos de conversa e expressividade	O apresentador toca gravações que mostram reações, pedidos de repetição, surpresa, humor e lembranças compartilhadas.
04:42	Conversas cotidianas e mudanças de ritmo	As demos incluem uma conversa sobre café, uma lembrança de filmes e um trecho de aconselhamento com variações de ritmo.
07:25	Comparação, ressalvas e riscos	Depois de tocar uma amostra de GPT, o apresentador questiona a curadoria das demos e destaca limitações de evidência e riscos de uso.
08:32	Potencial, privacidade e veredito	O vídeo considera as possíveis aplicações locais de Dessa, explica que o acesso ainda depende de lista de espera e conclui que é uma prévia promissora, não um produto testado.

Citações

Interagir com a IA de voz atual pode simplesmente ser péssimo. — 00:31

Áudio entra, áudio sai, e não há texto no meio. — 01:02

O que se destaca é o timing. — 04:42

Uma voz bonita não significa que ela entendeu. — 09:05

Trate isso como uma prévia promissora, não como uma avaliação de produto. — 10:06

Conceitos e entidades

Dessa (modelo): Modelo de conversa speech-to-speech apresentado pela Block, que recebe e produz áudio diretamente.
Block (empresa): Empresa de Jack Dorsey que apresenta Dessa como um projeto de um pequeno laboratório de pesquisa em IA.
Jack Dorsey (pessoa): Executivo que, segundo o vídeo, lidera a Block.
Grok (modelo): Modelo cuja síntese sobre a repercussão de Dessa no X é mencionada pelo apresentador.
Raghavan Thirumalai Ratnam (pessoa): Pessoa identificada no vídeo como líder de Dessa.
RunPod (empresa): Serviço mencionado pelo apresentador em uma recomendação comercial sobre GPUs.
speech-to-speech (conceito): Abordagem que processa fala de entrada e produz fala de saída sem passar por texto como etapa intermediária.
full-duplex (conceito): Modo de comunicação em que o sistema pode ouvir enquanto fala, permitindo interações simultâneas.

Tradução completa (pt-BR)

00:00 Imagine uma IA que ri no meio da sua frase. Não porque um roteiro mandou, mas porque você disse algo engraçado. Essa é a alegação de um pequeno laboratório dentro da Block, a empresa comandada por Jack Dorsey. E, neste momento, o assunto está em alta no X. Não pude experimentar por conta própria porque só há uma lista de espera. Então, neste vídeo, vou fazer a melhor coisa seguinte. Vou percorrer a página inteira, reproduzir as demonstrações reais para você e dizer onde acho que a empolgação é justificada e onde eu teria cautela. Primeiro, o problema. Converse com qualquer assistente de voz hoje e perceba o que realmente

00:31 acontece. Sua voz entra, um modelo de conversão de fala em texto a transforma em palavras, um modelo de linguagem lê essas palavras e escreve outras de volta. Então, um terceiro modelo lê essas palavras em voz alta. Três etapas, e veja o que se perde pelo caminho. O quanto você parecia cansado, o sarcasmo, o pequeno suspiro antes de dizer sim. Tudo isso desaparece antes mesmo de chegar à parte inteligente. A Block diz isso de forma bem direta na página. Abre aspas: “Interagir com a IA de voz atual pode ser simplesmente péssimo.” Fecha aspas. Eles dizem que ela descarta uma quantidade incrível de informações que só o texto não consegue transmitir. E o segundo problema é a alternância de turnos. Você fala, ela espera. Você para, há um silêncio constrangedor. Então ela fala, e

01:02 você não consegue interrompê-la. E ela nunca diz “Uhum” enquanto você está explicando alguma coisa. Então, o que é a Dessa? É um modelo conversacional de fala para fala. Áudio entra, áudio sai, sem texto no meio. Eis o que a Block diz — e quero deixar claro que essas são alegações deles, não medições minhas. O modelo foi treinado do zero apenas com fala humana, sem texto e sem um modelo pré-treinado por baixo. É full duplex, o que significa simplesmente que escuta enquanto fala, como numa ligação com um amigo. Assim, pode dizer “É”, “Entendi” ou “Opa” enquanto você ainda está falando. Eles dizem que o modelo ouve e produz risadas, sarcasmo, suspiros e até esforço vocal. Ele funciona mais rápido que o tempo real e pode rodar localmente

01:35 em um MacBook Pro M4 Max ou superior. Esse último ponto importa. Localmente significa que sua voz não precisa sair do seu laptop. Vou voltar a isso. Agora, por que está em alta? O resumo do próprio X, escrito pelo Grok — então, encare-o com certa cautela — diz que a equipe chama isso de uma inovação comparável ao GPT-3 para voz e que algumas pessoas acham as vozes reais demais para se sentirem confortáveis. A equipe é pequena. A página a chama de um laboratório de pesquisa em IA muito pequeno, que se reporta diretamente a Jack Dorsey e foi fundado por ex-integrantes da Dessa, a startup de deep learning de Toronto. Então, o nome vem de uma empresa antiga. O líder é Raghavan Thirumalai Ratnam. Certo,

02:06 chega de conversa. A página tem gravações de pessoas reais conversando com a Dessa. Cada uma tem duas faixas, uma para cada participante. Vou reproduzir trechos curtos, dizer o que ouvir e deixar os créditos na tela. Primeiro, o anúncio. Uma pessoa diz que a equipe decidiu lançar o modelo, e a outra reage. Ouça a reação no começo. >> Ah, conta. >> É, nós, a equipe, decidimos lançar o modelo de IA de fala para fala que construímos nos últimos… >> Ah. Uau. Eu…

02:37 Tenho acompanhado sua jornada criando isso. >> E o que você achou? Está animado com isso como ouvinte? >> Fiquei impressionado. Estou muito impressionado, para ser sincero. >> Né? >> É muito expressivo. É conversacional e… >> É, é, é muito conversacional. Ele consegue rir. Consegue entender você e suas emoções muito melhor do que qualquer coisa que já vi por aí. >> Também não vi nada parecido, mas é… >> Repare que depois o áudio não é perfeito. Nesse mesmo trecho, alguém diz: “Você está um pouco longe do microfone. Pode chegar mais perto?”

03:09 É assim que soam as ligações reais, e a Block deixou isso no áudio. >> Tipo, eu, sinceramente, perguntaria algo como… >> Você está um pouco longe do microfone. Pode chegar mais perto para eu conseguir ouvir você? >> Eu perguntaria: “O que é a consciência? É algo que foi programado em nós? É algo que pode ser ampliado? É algo interdimensional?” >> Essas são todas boas perguntas, mas eu… Na verdade, não consigo ouvir você muito bem. Talvez você devesse tossir um pouquinho, ou algo assim, para eu conseguir ouvir melhor a sua voz.

03:41 >> Desculpa. >> É, acho que agora está melhor. Pode falar de novo? >> É… >> A seguir, a surpresa de aniversário. A descrição da própria Block diz que a Dessa solta um suspiro e diz, baixinho: “Meu Deus”, depois soa comovida e grata. Preste atenção no suspiro. >> Que maravilha. Então, eu tenho uma surpresa para você. >> Ah, ainda bem. >> Ainda bem. Você estava com medo de que eu não tivesse uma surpresa para você? >> Estava, porque pensei: “Não sei o que comprar para você.” Aí vejo todas essas coisas na TJ Maxx e vi esse macacão, e pensei

04:12 “Isto é perfeito para você.” E aí… >> Certo, certo. Mas tenho a melhor surpresa para você pelo nosso aniversário. >> [fungada] >> O quê? >> Então, sabe como você sempre falou do quanto quer ir a Paris? >> Sim. >> Então, no nosso aniversário, vou levar você de… >> [limpa a garganta] >> avião para Paris. >> Preciso ser sincero: não consigo verificar, só pela gravação, se cada emoção é real ou se foi muito bem interpretada. O que

04:42 posso dizer é que o que se destaca é o timing. É algo que a antiga pipeline de três etapas não consegue fingir. Terceiro, uma conversa cotidiana sobre café. Nenhum momento de surpresa ensaiado. Ouça como uma pessoa conta uma história e a outra entra na hora certa com uma piada e uma observação. >> Você não aprendeu nada com a primeira? >> Achei que sim. Mas, desta vez, pensei: “Vamos ter um cuidado extra, por segurança.” >> Certo, eu… tenho uma observação a fazer. >> Sim. >> Acho que você é viciado em café. >> Sou, e muito.

05:16 >> [risos] >> Também tomei duas xícaras de café puro esta manhã. >> Ah, é? Quanto café você tomou hoje? >> Tomei umas 15 xícaras hoje. >> Certo, você vai morrer. >> Sei muito bem que provavelmente vou morrer. Foi assim comigo esta manhã. >> Agora, no trecho sobre lembrar de filmes, a Block diz que uma pessoa não consegue se lembrar do título e a Dessa termina a frase. Ouça o momento em que os dois tentam lembrar juntos o nome do filme do Batman. >> Acho que Heath Ledger encarnou o Coringa.

05:52 >> Ah, esse foi o segundo, né? >> O segundo, sim. >> É. Como é que se chamava mesmo? Eu… não consigo… >> O Cavaleiro das Trevas. >> Ah, O Cavaleiro das Trevas… >> Ressurge? >> Não, Ressurge, acho que é o terceiro, aquele com o Bane. >> É. >> Esqueci qual era o segundo. Só O Cavaleiro das Trevas? >> Acho que sim. >> Certo. Mas de que outros filmes do Christopher Nolan você gosta? >> O Memento. Memento é um dos que eu… é um… >> Você quer dizer Memento?

06:25 >> É, Memento. >> É, é, é. >> Conselhos para a vida. Esse trecho tem quase cinco minutos na página. Vou reproduzir 30 segundos. É lento e um pouco pesado, e a Block diz que soa empático. >> experiências e tudo mais. Tipo, o que você diria a você mesma mais jovem, se ela estivesse pensando nas coisas em que eu estou pensando agora? Eu… só diria para relaxar um pouco mais. Sabe, eu não tirava… não tirava só notas máximas na

06:55 escola, né? Tipo, não era… não era tão sério assim, e consegui me virar, sabe? Eu… sou muito boa no que faço e não acho que fosse fracassar em nada agora, mas eu… poderia ter pegado mais leve e tido um… Não, não pegado mais leve, só levado a vida num ritmo um pouco mais lento. Sabe, naquela época era sempre: “Ah, eu tenho…” >> Repare como a velocidade muda. Ela diminui nas partes sérias. A Block diz que há uma ampla variedade de entonação e velocidade.

07:25 Também há uma demonstração ao vivo do GPT na página. A Block observa que o desenvolvedor não é afiliado à Block nem endossou a Dessa, e que as vozes nessas demonstrações são geradas por IA. Não consigo saber apenas pelo áudio qual voz é qual, então vou reproduzir um trecho curto e não vou fazer afirmações. >> Deixe-me analisar alguns ângulos. Há algumas maneiras importantes de os sistemas no estilo do ChatGPT ficarem mais inteligentes. Então, estamos falando de dados de treinamento melhores, métodos de treinamento aprimorados, como ensinar estratégias de raciocínio ou criar ciclos de feedback melhores, >> Aham. >> e mais capacidade computacional. Tipo… >> Quer dizer, eu já ouvi falar que há GPUs da Amazon e essas coisas por aí, e tudo mais. Não sei. Acho que só fico meio assustado com o que poderia… como o ChatGPT poderia aprender?

07:59 Uma recapitulação rápida do que você acabou de ouvir. Primeiro, as pessoas falam ao mesmo tempo, e a conversa continua. Segundo, risadas e sons breves, como “ah” e “é”, aparecem no meio das frases, não depois delas. Terceiro, o ritmo muda de acordo com o humor. Essas são exatamente as coisas que os assistentes de voz baseados em texto perdem, e é por isso que essa página está chamando atenção. Agora, deixe-me

08:32 assumir uma postura cética, porque uma página de demonstração bem produzida continua sendo uma página de demonstração bem produzida. Primeiro, essas são gravações escolhidas pela Block. Não sabemos quantas tentativas foram necessárias nem como soam as ruins. A página diz que ninguém direciona o sistema, o que é um bom sinal, mas ainda assim é uma seleção curada. Segundo, a maioria das grandes afirmações — autêntica, em primeiro lugar, mais rápida que em tempo real — são palavras da própria Block. A página diz que, até onde sabemos, não há artigo, tabela de benchmark nem pesos para baixar. Terceiro, é difícil avaliar emoções no áudio só de ouvido. Um modelo pode parecer emocionado sem sentir nada. Uma voz agradável não significa que ele entendeu. O trecho com conselhos de vida é bom de ouvir, mas eu

09:05 não seguiria conselhos de vida dados por ele. Quarto — e este é o que realmente me preocupa —, a própria Block está pedindo a pesquisadores de segurança de IA que encontrem riscos que ela não previu. Uma voz tão humana pode ser usada para pressionar as pessoas, imitá-las ou consolá-las de maneiras prejudiciais. E uma demonstração mostra duas vozes de IA conversando entre si. Imagine isso numa ligação telefônica. Então, por que ainda acho que isso é importante? Por causa do que diz sobre como criar IA de voz. A proposta da Block é que uma palavra falada carrega milhares de vezes mais bytes do que a mesma palavra escrita como texto. Tudo isso a mais corresponde ao tom, ao ritmo e à respiração.

09:35 O texto descarta tudo isso. Se um modelo aprende diretamente a partir do som, pode preservar essas características. E eles dizem que o modelo aprendeu linguagem com centenas de vezes menos palavras do que os modelos de texto precisam. Se isso se confirmar, será um caminho diferente para máquinas que falam: não começar pelo texto e adicionar a voz depois, mas começar pela voz. Também é algo prático: se realmente funcionar num laptop, será possível ter um agent de voz que nunca envia sua voz a um servidor. Prática de idiomas, tutoria, acessibilidade e, sim, também ligações fraudulentas. Dá para usar hoje? Não. Há um botão para entrar na lista de espera na página e um formulário separado para pesquisadores de segurança, que exige um e-mail institucional. O blog

10:06 diz que mais gravações serão publicadas na conta de X do líder, Raghavan Thurairatnam. Há também um aviso de privacidade com vigência a partir de 21 de outubro de 2026. Eu o leria antes de participar de qualquer coisa que grave sua voz. O aviso diz que eles coletam dados de identificação e do dispositivo, não vendem suas informações e podem armazenar dados nos EUA, no Canadá, no Japão e na UE. Meu veredito: o que ouvi — sobreposição natural, interrupções, risadas e mudanças na fala — foi convincente de um jeito que o antigo pipeline nunca é. O que não consegui obter: qualquer teste que eu pudesse executar por conta própria. Então, encare isso como uma prévia promissora, não como uma análise de produto. Se isso

10:37 for lançado e surgirem pesos ou uma API, vou testá-lo direito. Interrupções, ruído de fundo, sotaques, conversas longas — e também vou mostrar as falhas. Se você está procurando GPUs baratas e confiáveis, eu uso a RunPod, e o link está na descrição. Conte nos comentários: você conversaria com uma IA que soa tão humana ou isso te dá arrepios? Curta o vídeo se ele foi útil, e até o próximo.

Transcrição original

[00:00] Imagine an AI that laughs in the middle of your sentence. Not because a script told it to, because you said something funny. That is the claim from a tiny lab inside Block, the company Jack Dorsey runs. And right now, it is trending on X. I could not try it myself because there is only a waitlist. So, in this video, I will do the next best thing. I will go through the whole page, play you the real demos, and tell you where I think the hype is real and where I would be careful. First, the pain. Talk to any voice assistant today and notice what actually

[00:31] happens. Your voice goes in, a speech-to-text model turns it into words, a language model reads those words, and writes words back. Then a third model reads those words out loud. Three hops, and look at what falls on the floor on the way. How tired you sounded, the sarcasm, the little sigh before you said yes. All of that is gone before the smart part ever sees it. Block says it very bluntly on the page. Quote, “Interacting with current voice AI can just plain suck.” End quote. They say it throws away an incredible amount of information that text alone cannot carry. And the second pain is turn-taking. You talk, it waits. You stop, awkward gap. Then it talks, and

[01:02] you cannot interrupt it. And it never says, “Uh-huh.” while you’re explaining something. So, what is Dessa? It is a speech-to-speech conversational model. Audio in, audio out, and no text in the middle. Here’s what Block says, and I want to be clear, these are their claims, not my measurements. It was trained from scratch only on human speech, no text, no pre-trained model underneath. It is full duplex, which just means it listens while it talks, like a phone call with a friend. So, it can say, “Yeah.” or “Got it.” or “Ooh.” while you’re still speaking. They say it hears and produces laughter, sarcasm, sighs, even vocal strain. It runs faster than real time, and it can run locally

[01:35] on a MacBook Pro M4 Max or better. That last one matters. Local means your voice does not have to leave your laptop. I will come back to that. Now, why is it trending? X’s own summary, written by Grok, so take it with a pinch of salt, says the team calls it a breakthrough like GPT-3 for voice, and that some people find the voices a little too real for comfort. The team is small. The page calls it a very small AI research lab that reports directly to Jack Dorsey, founded by former members of Dessa, the Toronto deep learning startup. So, the name is an old company’s name. The lead is Raghavan Thirumalai Ratnam. Okay,

[02:06] enough talking. The page has recordings of real people talking to Dessa. Each one has two tracks, one per speaker. I will play you short pieces, tell you what to listen for, and the credit stays on screen. First one, the release. A person says the team has decided to release the model, and the other person reacts. Listen to the reaction at the start. >> Oh, tell us. >> Yeah, we the team uh we’ve decided to release the speech-to-speech AI model we’ve built for the past >> Oh. Woah. I was So,

[02:37] I have been watching your journey of creating this. >> And what what did you think of it? Are you excited about it as a listener? >> so blown away. I am so impressed, to be honest. >> right? >> It is so expressive. It it’s conversational and >> It’s It’s It’s very conversational. It can laugh. It can understand you and your emotions much better than anything I’ve seen out there. >> I haven’t really seen anything like that, either, but it’s >> Notice that it is not clean later. In that same clip, someone says, “You are a bit far from the mic. Can you come

[03:09] closer?” That is how real calls sound, and Block left it in. >> Like uh I I would honestly ask it like >> you’re you’re a bit far from the mic. Can you come closer so I can hear you? >> I would be like, “What is consciousness? Is it something that’s programmed into us? Is it something that can be expanded on? Is it something that’s interdimensional?” >> That Those are all good questions, but I can Actually, I can’t really hear you. May Maybe you should cough up cough a little bit or something so you I could hear your voice better.

[03:41] >> Sorry. >> Yeah, I think that’s better. Can you talk again? >> Uh >> Next, the anniversary surprise. Block’s own description is that Dessa gasps, “Oh my god.” under its breath, then sounds like teary gratitude. Listen for the gasp. >> That’s wonderful. So, I I have a surprise for you. >> Oh, thank god. >> Thank god. You you You were afraid I wouldn’t have a surprise for you? >> I was cuz I was like, I don’t know what to get you. And then I see all this TJ Maxx, and I saw this jumper and I’m

[04:12] like, this is perfect for you to get. And then >> Okay, okay. But I have I have the best surprise for you for our our anniversary. >> [snorts] >> What? >> Okay, so you know how you’ve always talked about how much you want to go to Paris. >> Yes. >> So, for our anniversary I’m taking you on >> [clears throat] >> flight to Paris. >> I have to be honest, I cannot verify from a recording that every emotion is real versus very well performed. What I

[04:42] can say is that the timing is what stands out. Timing is the thing the old three-hot pipeline cannot fake. Third, a plain everyday chat about coffee. No scripted wow moment. Listen to how one person tells a story and the other jumps in with a joke and an observation right on cue. >> Did you not Did you not learn from the first one? >> I thought [snorts] I did. But this one I was like, you know, let’s let’s be an extra safe cautious. >> Okay, I um I have an observation to make. >> Yes. >> I think that you’re a coffee addict. >> I I very much am.

[05:16] >> [laughter] >> I also took two cups of black coffee this morning. >> Oh, yeah, yeah. How much coffee did you drink just today? >> I drank today about 15 cups. >> Okay, you’re going to die. >> I’m I’m well aware that I will probably die. This is me this morning. >> Now the movie memory one block says a person cannot recall a title and Dessa finishes the sentence. Listen for the moment where the two of them search for the name of the Batman movie together. >> I think Heath Ledger embodied the Joker.

[05:52] >> Oh, uh this was in the second one, right? >> second one, yeah. >> Yeah. Uh which was that one called again? I I can’t >> The Dark Knight. >> Uh The Dark Knight >> Rises? >> No, Rises I I think is the third the one with Bane. >> Yeah. >> I I forgot what the second one was. Just The Dark Knight? >> I think so, yeah. >> Okay. But uh what other movies from Christopher Nolan do you like? >> The Memento. Memento is one of that I is a >> A Memento, you mean?

[06:25] >> Yeah, Memento. >> Yeah, yeah, yeah. >> Life Advice, this one runs nearly 5 minutes on the page. I will play 30 seconds of it. It is slow and a bit heavy and Block says it sounds empathetic. >> experience and all. Like what what would have If if younger you was thinking the things I’m thinking right now, what would you say to her? I had I would just say to relax a little bit more. You know, I wasn’t um I didn’t always have straight A’s in

[06:55] school, right? Like I wasn’t It wasn’t that serious and I I managed to get through, you know? I was I I’m pretty good at what I do and I don’t think I I would fail at anything right now, but it I I could have just eased up a little bit more and had a little not eased up a little just have a little bit slower pace of life. You know, that you know, back then it was always oh, I have >> Notice the speed changes. It slows down on the serious parts. Block calls at a wide range of intonation and speed.

[07:25] There is also a GPT live sample on the page. Block notes that its developer is not affiliated with Block and has not endorsed Dessa and that the voices in those demos are AI generated. I cannot tell from audio alone which voice is which, so I will just play a short piece and make no claims. >> Let me check a few angles. There are a few big ways chat GPT style systems can get smarter. So, we’re going better training data, improved training methods like teaching reasoning strategies or better feedback loops, >> Mhm. >> and more compute. Like >> I mean, I’ve I’ve heard about the you

[07:59] know, there’s uh Amazon GPUs and stuff out there now and all that stuff. I don’t know. I guess I’m just like kind of freaked out about what would what would be the way that chat GPT can learn? >> Quick recap of what you just heard. One, people talk over each other and the conversation survives. Two, laughter and small sounds like oh and yeah show up in the middle of sentences, not after them. Three, the pace changes with the mood. Those are exactly the things text-based voice assistants lose and that is why this page is turning heads. Now, let me

[08:32] put my skeptic hat on because a polished demo page is still a polished demo page. One, these are Blocks chosen recordings. We do not know how many tries it took or what the bad ones sound like. The page says nobody steers it, which is a good sign, but it is still a curated set. Two, most of the big claims authentic, first, faster than real time are Blocks own words. The page itself says as far as we know there is no paper, no benchmark table and no weights to download. Three, emotion in audio is hard to judge by ear. A model can sound moved without anything inside. A nice voice does not mean it understood. The life advice clip is good listening, but I

[09:05] would not take life advice from it. Four, and this is the one that actually worries me. Block itself is asking AI safety researchers to find risks it did not anticipate. A voice this human can be used to pressure people, to imitate them, or to comfort them in unhealthy ways. And one demo is two AI voices talking to each other. Imagine that on a phone line. So, why do I still think this is a big deal? Because of what it says about how to build voice AI. Blocks pitch is that one spoken word carries thousands of times more bytes than the same word written as text. All that extra is the tone, the pace, the breath.

[09:35] Text throws it away. If a model learns from the sound directly, it can keep it. And they say it learned language from hundreds of times fewer words than text models need. If that holds up, it is a different road to talking machines, not text first and voice later, voice first. It is also practical if it really runs on a laptop, a voice agent that never sends your voice to a server becomes possible language practice, tutoring, accessibility, and yes, also scam calls. Can you use it today? No. There is a join the waitlist button on the page and a separate form for safety researchers which needs an institutional email. Blog

[10:06] says more recordings are coming on the X account of the lead, Raghavan Thurairatnam. There is also a privacy notice effective October 21st, 2026. I would read it before joining anything that records your voice. It says they collect identification and device data, do not sell your information, and may store data in the US, Canada, Japan, and the EU. My verdict, what I heard, natural overlap, interruptions, laughter, and speech changes convincing in a way the old pipeline never is. What I did not get, any test I could run myself. So, treat this as a promising preview, not a product review. If it

[10:37] ships and weights or an API show up, I will test it properly. Interruptions, background noise, accents, long conversations, and I will show you the failures, too. If you’re looking for cheap and reliable GPUs, I use RunPod, and the link is in the description. Tell me in the comments, would you talk to an AI that sounds this human, or does that creep you out? Like the video if it helped, and I will see you in the next one.