Dona do Square cria IA de voz que ri, faz pausas e soa como gente

As assistentes de voz com inteligência artificial estão cada vez melhores, mas quase sempre dá para perceber que é uma máquina falando. A Block, empresa de Jack Dorsey, cofundador do Twitter, quer acabar com essa diferença. Ela apresentou a Dessa, um modelo de voz que ri, faz pausas, muda o tom e até parece emocionada. Segundo o TechCrunch, o resultado soa "estranhamente humano".

A Block é a empresa por trás do Square, sistema de pagamentos usado por pequenos comércios, e do app financeiro Cash App, populares nos Estados Unidos.

O que a Dessa tem de diferente

A maioria das IAs de voz funciona em etapas: transforma o que você fala em texto, um modelo de linguagem pensa na resposta em texto, e depois outro sistema converte esse texto em voz. Nesse caminho, muita coisa se perde, como o tom, a hesitação e a emoção de quem fala.

A Dessa faz diferente. Segundo a Block, ela foi treinada inteiramente com fala humana e trabalha direto com áudio, sem passar pelo texto. A empresa diz que a emoção faz parte do próprio modelo, em vez de ser "encaixada" com etiquetas, como fazem outras ferramentas do mercado. O TechCrunch observa, porém, que não está claro se não há algum tipo de controle desse tipo por trás.

Em comunicado, a Block criticou as IAs de voz atuais, dizendo que elas descartam informações que o texto não consegue carregar e que nem as IAs mais poderosas conseguem perceber como a pessoa se sente.

Fala e escuta ao mesmo tempo

Outro destaque é que a Dessa é um modelo full-duplex. O termo técnico significa que ela consegue falar e ouvir ao mesmo tempo, como numa conversa de verdade. Você pode interrompê-la no meio da frase, e ela reage, em vez de esperar sua vez como num walkie-talkie.

Nos exemplos divulgados pelos pesquisadores da empresa, a IA aparece com vozes e ritmos diferentes. Num deles, ela diz que está cansada do trabalho e realmente soa cansada. Em outro, joga um jogo de adivinhação com uma funcionária da Block.

Roda no seu computador

Um ponto que chamou atenção é que a Dessa pode rodar localmente, sem depender da nuvem. Segundo a Block, basta um computador de consumo potente, como um MacBook com chip M4 Max ou superior. A empresa também afirma que treinou o modelo usando apenas um rack de placas de vídeo da NVIDIA, um volume de equipamento modesto para os padrões da IA atual.

Rodar no próprio aparelho traz vantagens: mais privacidade, já que a voz não precisa ir para servidores externos, e custo menor para as empresas que adotarem a tecnologia.

Ainda não dá para testar

Por enquanto, a Dessa não está disponível para o público. A Block abriu uma chamada para pesquisadores de segurança testarem o modelo antes. Segundo o TechCrunch, o objetivo provável é avaliar situações em que um agente de voz poderia enganar a pessoa do outro lado da linha.

O lado preocupante

E aqui está o ponto mais importante para o leitor brasileiro. Uma voz artificial indistinguível de uma pessoa real é uma ferramenta poderosa para golpistas. Golpes por telefone, como o do falso funcionário do banco ou o do parente pedindo dinheiro, já são comuns no Brasil. Com IAs que choram, hesitam e transmitem emoção, essas ligações ficam ainda mais convincentes.

Por isso, vale reforçar alguns hábitos:

• desconfie de ligações pedindo dinheiro, senhas ou códigos, por mais real que a voz pareça;
• desligue e ligue de volta para o número oficial do banco ou da pessoa;
• combine uma palavra secreta com a família para emergências.

Para onde isso vai

Do lado positivo, vozes mais naturais podem melhorar atendimentos automáticos, assistentes para idosos e pessoas com deficiência visual, e até tornar menos irritante falar com robôs no telefone. A Block já usa IA de voz para receber pedidos no Square, e um modelo próprio que roda no aparelho pode baratear muito esse tipo de serviço.

A corrida por IAs de voz mais humanas está só começando, e a Dessa mostra o quanto a tecnologia avançou. O desafio agora é garantir que ela seja usada mais para ajudar do que para enganar.