Block مدل صوتی Dessa را منتشر کرده است که به گزارش The Decoder، کاملاً با گفتار انسانی و نه رونوشت متنی آموزش دیده است. هدف اعلام‌شده، ثبت نشانه‌های احساسی و آوایی (prosodic) است که مدل‌های متنی از دست می‌دهند. TechCrunch خروجی صوتی حاصل را به‌طور چشمگیری شبیه انسان توصیف می‌کند. این انتشار در زمانی رخ می‌دهد که رابط‌های صوتی به front end رایج محصولات agent تبدیل شده‌اند.
برای سازندگان agent، اهمیت کمتر در دمو است و بیشتر در سطح سیگنال. مدلی که احساس و آهنگ گفتار را می‌خواند، به agent صوتی ورودی‌های بیشتری برای gate می‌دهد: ارجاع به انسان، تأیید پیش از یک اقدام بازگشت‌ناپذیر، یا تغییر در لحن پاسخ. این gateها تنها به اندازه ارزیابی پشتشان قابل اعتمادند، و آموزش صرفاً صوتی حالت‌های شکست را جابه‌جا می‌کند. سیستم‌های آموزش‌دیده با متن معمولاً بر دقت رونویسی و طبقه‌بندی intent آزموده می‌شوند؛ مدل صرفاً صوتی باید برای عاطفه اشتباه‌خوانده‌شده، تنوع لهجه و گویش، نویز پس‌زمینه، و استنتاج احساسی مطمئن‌به‌نظر ولی نادرست بررسی شود.
آنچه پوشش ارائه‌شده مشخص نمی‌کند این است که Dessa در هیچ‌یک از این موارد چگونه عمل می‌کند. هیچ benchmark، نرخ خطا یا روش‌شناسی ارزیابی توصیف نشده است، و معماری دقیق و ترکیب داده‌های آموزش همچنان نامشخص است. تیم‌هایی که آن را در یک pipeline صوتی production در نظر می‌گیرند باید استنتاج احساسی را یک سیگنال احتمالاتی بدانند، نه حقیقت مطلق، و پیش از آنکه اجازه دهند منطق gate را هدایت کند، مجموعه‌های آزمون خودشان را بسازند.