Jack Dorsey, pendiri sekaligus mantan CEO Twitter yang kini bernama X, kembali membuat kejutan di dunia teknologi. Lewat perusahaan fintech-nya, Block, ia memperkenalkan Dessa — sebuah model kecerdasan buatan yang tidak membaca teks, tidak mengetik jawaban, dan tidak bekerja seperti chatbot pada umumnya. Dessa hanya mendengar, lalu berbicara.

Yang membuatnya berbeda, Dessa diklaim sebagai AI pertama di dunia yang dilatih hanya dari rekaman percakapan manusia: tanpa teks, tanpa model bahasa pralatih, tanpa “bahan bacaan” digital seperti yang dipakai ChatGPT dan sejenisnya. Semua yang ia tahu soal bahasa, ia pelajari dari suara.

Bagi warga Tangerang Raya yang sehari-harinya berinteraksi dengan layanan pelanggan, aplikasi pesan, atau belanja online, kabar ini bukan sekadar berita teknologi jauh di sana. Model suara yang makin mirip manusia akan segera menyentuh hal-hal yang paling dekat: cara kita menelepon bank, cara UMKM melayani pembeli, sampai cara penipu menyamar di ujung telepon.

Bukan chatbot yang membaca, tapi model yang mendengar

Cara kerja AI suara yang beredar sekarang umumnya berlapis. Suara pengguna diubah dulu menjadi teks, teks itu diproses model bahasa besar, lalu jawabannya diubah kembali menjadi suara. Dalam proses tiga lapis itu, banyak informasi hilang: jeda, tarikan napas, nada kesal, sarkasme, sampai getaran suara yang menandakan seseorang sedang menahan sedih.

Block menyebut pendekatan itu “menyebalkan” dan berpotensi berbahaya. Karena itu Dessa dibangun dengan pendekatan speech-to-speech: suara masuk, suara keluar, tanpa perantara teks.

Model ini juga full-duplex, artinya bisa mendengar dan berbicara pada waktu yang sama. Dessa bisa menyela di saat yang tepat, menyahut pendek seperti “oh, gitu” atau “ngerti” untuk menunjukkan ia mengikuti obrolan, dan tahu kapan harus diam. Kemampuan semacam ini yang membuat percakapan terasa hidup, bukan seperti menunggu antrean jawaban.

Dalam demo yang dibagikan Block, Dessa terdengar tertawa spontan di tengah kalimat saat mendengar sesuatu yang lucu — bukan tertawa setelah lawan bicara selesai, seperti pola AI suara kebanyakan. Ia juga bisa terkesiap pelan, menirukan nada kecewa, hingga terdengar seperti menahan tangis saat diajak bicara soal hal yang menyentuh.

Dilatih dengan satu sistem GPU, dari “kata” yang jauh lebih sedikit

Di balik kemampuan itu ada keputusan teknis yang cukup berani. Dessa dilatih menggunakan satu sistem komputasi NVIDIA GB200 NVL72, dan menurut Block, model ini mempelajari bahasa dari jumlah kata yang jauh lebih sedikit dibanding model AI berbasis teks — disebut beberapa ratus kali lebih sedikit.

Alasannya sederhana: data suara jauh lebih “mahal” dibanding teks. Satu kata yang diucapkan memakan ribuan kali lebih banyak byte daripada kata yang ditulis. Suara juga tidak pernah benar-benar sama; kalimat yang diucapkan dua kali dengan cara yang sama tetap menghasilkan data berbeda. Teks, sebaliknya, selalu identik siapa pun yang mengetiknya.

Karena itu, Dessa tidak hanya belajar kosakata. Ia harus menyerap aksen, jeda, napas, tawa, sarkasme, humor, dan intonasi — hal-hal yang justru menentukan arti sebuah kalimat. Block memberi contoh sederhana: kalimat “saya tidak bilang dia mencuri kode saya” bisa berubah makna tergantung kata mana yang ditekankan.

Hasilnya, menurut Block, inferensi Dessa berjalan lebih cepat dari waktu nyata (real time), sehingga tidak ada jeda canggung saat diajak bicara. Yang lebih menarik: model ini bisa dijalankan secara lokal di laptop, tepatnya MacBook Pro dengan chip M4 Max atau perangkat dengan spesifikasi lebih tinggi. Artinya, percakapan tidak wajib dikirim ke server perusahaan.

Belum untuk umum, dan sengaja dibuka hati-hati

Meski demonya ramai dibicarakan, Dessa belum bisa dipakai siapa saja. Block baru membuka daftar tunggu (waitlist) dan memberi akses awal kepada sekelompok kecil peneliti keamanan AI untuk menguji risiko yang mungkin belum terpikirkan oleh pembuatnya.

Kehati-hatian itu masuk akal. Model suara yang sangat mirip manusia membuka dua sisi sekaligus. Di satu sisi ia bisa membuat layanan lebih manusiawi, misalnya untuk pendampingan lansia, layanan kesehatan, atau edukasi. Di sisi lain, teknologi yang sama bisa dipakai untuk menipu: meniru suara anggota keluarga, mengaku sebagai petugas bank, atau memalsukan perintah lewat telepon.

Block menyebut alasan mereka membangun Dessa justru karena faktor keselamatan. Menurut perusahaan, AI yang makin kuat tetapi “tuli” terhadap emosi manusia adalah masalah serius. Bayangkan seseorang yang sedang menahan sakit berbicara dengan layanan otomatis yang tidak menyadari apa pun dan terus melanjutkan skripnya. Dessa diposisikan sebagai langkah awal untuk memperbaiki itu.

Nama Dessa dan tim kecil di baliknya

Nama Dessa diambil dari startup deep learning asal Toronto yang sebagian anggotanya kini bergabung ke Block. Timnya kecil, dipimpin Ragavan Thurairatnam, dengan latar belakang membangun model deep learning sejak 2012 dan model suara generatif selama lebih dari delapan tahun. Tim ini melapor langsung ke Jack Dorsey.

Bagi Dorsey, Dessa bukan proyek iseng pertama. Tahun lalu ia memperkenalkan Bitchat, aplikasi pesan yang bisa dipakai tanpa internet. Pola yang sama terlihat: masuk ke wilayah yang belum ramai, dengan pendekatan teknis yang tidak mengikuti arus utama.

Apa artinya untuk warga Tangerang Raya?

Perubahan yang paling terasa dalam satu-dua tahun ke depan bukan soal bisa tidaknya kita mengobrol dengan AI. Yang berubah adalah standar layanan.

Kawasan Tangerang Raya, terutama BSD, Tangsel, dan koridor Karawaci–Cikupa, punya banyak kantor layanan pelanggan, jasa keuangan, dan operasi penjualan digital. Bila model suara seperti Dessa makin murah dan bisa jalan di perangkat biasa, pekerjaan menjawab telepon rutin akan lebih banyak ditangani mesin. Pekerjaan yang tersisa adalah yang butuh penilaian, negosiasi, dan empati sungguhan.

Untuk UMKM, peluangnya justru terbuka. Pemilik warung, toko online, atau jasa perbaikan di Cikasungka, Adiyasa, dan sekitarnya bisa memakai asisten suara untuk menerima pesanan atau menjawab pertanyaan yang berulang, tanpa kehilangan jam tidur. Namun ada syarat yang sering dilewatkan: pelanggan harus tahu kapan ia bicara dengan manusia dan kapan dengan mesin.

Yang paling perlu diwaspadai adalah penipuan. Suara yang bisa ditiru membuat verifikasi lewat telepon jadi jauh lebih lemah. Warga sebaiknya membiasakan diri tidak pernah menyerahkan kode OTP, PIN, atau data rekening hanya karena suara di telepon terdengar seperti keluarga atau petugas resmi. Jika ada permintaan mendesak soal uang, tutup telepon dan hubungi balik nomor yang benar-benar dikenal.

Bukan soal kapan, tapi seberapa cepat

Dessa sendiri belum dijual bebas. Tapi arahnya sudah jelas: AI suara tidak lagi berhenti pada perintah “halo, ada yang bisa dibantu” yang datar. Ia mulai masuk ke wilayah yang selama ini dianggap hanya milik manusia — tawa, jeda, dan perasaan.

Untuk kota-kota penyangga Jakarta seperti Tangerang Raya, dampaknya bukan pada gadget yang dipakai, melainkan pada pekerjaan, layanan publik, dan cara warga melindungi diri dari penipuan. Teknologi ini datang lebih cepat daripada kesiapan aturan dan literasi digital warganya. Dan seperti biasa, yang paling dirugikan adalah mereka yang paling jarang diberi tahu.

Sumber: Kompas.com - Pendiri Twitter Bikin Dessa, Model AI Suara yang Bisa Ngobrol seperti Manusia dan Block - Dessa