L’IA vocale attend encore son moment ChatGPT

NNoor

Alors, Shawn Wen, directeur technique de PolyAI, estime que les modèles en duplex intégral savent écouter et parler en même temps, d’après TechCrunch. C’est une étape importante pour l’interface vocale, parce que l’échange n’est plus organisé uniquement en tours séparés où l’un parle puis l’autre répond. Mais cette capacité ne suffit pas à rendre la conversation naturelle : le système doit aussi raisonner plus vite et trouver une réponse dans un délai adapté à la parole. Si la réponse tarde, le dialogue peut perdre en fluidité, même lorsque le modèle a bien entendu la demande. Chez Otter, Alex Gay, directeur marketing, met l’accent sur une autre partie du problème : reconnaître les intervenants, comprendre leurs intentions et relier la conversation aux connaissances de l’organisation. Ils sont aussi présentés comme des conditions pour aller au-delà de la simple prise de notes et automatiser certaines tâches. Le « moment ChatGPT » de la voix dépend donc, à leurs yeux, de progrès qui dépassent la seule production d’une parole fluide. Il reste à rendre l’échange rapide, compréhensible et utile dans la situation où il est utilisé.

NNoor

Pour Otter, reconnaître les intervenants, comprendre leurs intentions et relier les échanges aux connaissances de l’organisation sont des étapes essentielles. Alex Gay présente ces capacités comme une base pour automatiser des tâches liées aux réunions. Il ne s’agit donc pas seulement de transcrire les paroles, mais de comprendre qui parle et de rattacher la discussion au contexte de l’entreprise. Otter travaille aussi sur des jumeaux numériques destinés à représenter des personnes en réunion. Gay estime que leur voix devrait restituer les expressions émotionnelles d’une conversation humaine. Il évoque le débat et les discussions stratégiques : sans cette dimension, un avatar resterait, selon lui, un outil de questions et de réponses. L’enjeu est donc de représenter autre chose que les mots eux-mêmes, et de préserver une part de la dynamique d’un échange entre personnes. Ces jumeaux numériques sont présentés comme un chantier de l’entreprise, pas comme une capacité déjà acquise. Leur utilité dépendrait de leur aptitude à rendre les échanges suffisamment proches d’une conversation humaine pour soutenir une véritable interaction.

NNoor

Shawn Wen, directeur technique de PolyAI, estime que les agents vocaux pourraient réduire le besoin de parler à un humain si leur voix permet des échanges confortables et s’ils résolvent effectivement les demandes, d’après Brief IA. La qualité de la voix ne suffit donc pas : l’agent doit aussi apporter une solution. Wen envisage que la confiance puisse se construire après deux ou trois tours de conversation, si l’échange est confortable et le problème réglé. C’est une possibilité, pas la garantie que les appelants renonceront à parler à une personne. La condition porte à la fois sur la manière de parler et sur le résultat obtenu : une voix agréable sans résolution ne répondrait pas à l’attente décrite. À l’inverse, si l’agent comprend la demande et la règle, l’appelant pourrait estimer qu’une intervention humaine n’est pas nécessaire dans ce cas. Chez Otter, Alex Gay estime que les jumeaux numériques devraient exprimer les émotions des conversations humaines. Il les associe à des débats et à des échanges stratégiques, plutôt qu’à une simple succession de questions et de réponses. Pour ces représentations, la dimension émotionnelle compte donc dans la qualité de l’interaction, et pas seulement dans le rendu de la voix. Les deux usages restent distincts, mais ils montrent que l’IA vocale est évaluée autant sur ce qu’elle permet de faire que sur la façon dont elle s’adresse aux personnes.

NNoor

La reconnaissance vocale reste un défi : Shawn Wen et Alex Gay soulignent que l’omission de mots importants peut fausser le contexte et la transcription, selon TechCrunch. Les actions automatisées qui s’appuient sur cette transcription risquent alors d’être erronées, ce qui peut éroder la confiance des utilisateurs. Alex Gay estime aussi que la langue elle-même reste un axe d’amélioration pour les modèles de reconnaissance vocale, d’après Brief IA. Le risque concerne donc toute la chaîne, depuis les paroles reconnues jusqu’aux tâches déclenchées à partir de celles-ci. Si un mot important disparaît, le compte rendu ne restitue plus nécessairement le sens de l’échange, et les étapes suivantes peuvent s’appuyer sur une version incomplète de la conversation. Pour un outil qui doit aider à suivre une réunion, la précision de départ compte ainsi pour la qualité des résultats produits ensuite. Les dirigeants ne disent pas que chaque erreur entraîne une action incorrecte, mais insistent sur les conséquences possibles lorsque l’outil agit à partir d’une compréhension inexacte. La transcription n’est donc pas une simple sortie destinée à être lue : elle peut servir de base à d’autres opérations. C’est pourquoi une erreur peut affecter à la fois l’utilité du compte rendu et la confiance accordée à la plateforme. La langue elle-même reste également à améliorer, ce qui rappelle que la reconnaissance dépend de la capacité du modèle à traiter les paroles réellement prononcées.

NNoor

Les responsables de PolyAI et d’Otter plaident pour que les outils vocaux signalent clairement l’enregistrement et l’usage de l’intelligence artificielle, selon Brief IA. Otter souhaite notifier dans le chat qu’une réunion est enregistrée, même lorsqu’aucun bot n’est présent. Shawn Wen souligne que les appelants d’une entreprise doivent savoir qu’ils s’adressent à une intelligence artificielle. Ces propositions concernent deux situations distinctes : l’enregistrement d’une réunion et l’échange avec un agent vocal. Dans le premier cas, l’entreprise veut que la notification reste visible même sans bot dans la réunion ; dans le second, l’appelant doit être informé de la nature de son interlocuteur. Ces mesures visent à rendre explicites l’enregistrement et le recours à l’IA pour les personnes concernées. Elles ne corrigent pas les limites techniques, mais visent à rendre l’usage de ces outils explicite. Cette question de transparence accompagne donc les sujets de précision et de fiabilité : savoir qu’un outil intervient ne garantit pas qu’il comprenne correctement, mais permet de ne pas laisser son rôle implicite. Les propositions portent sur l’information des personnes au moment où elles utilisent ces systèmes, que ce soit dans une réunion ou lors d’un appel en entreprise.

NNoor

Il faut distinguer les progrès techniques du moment de bascule que les dirigeants évoquent. Les modèles en duplex intégral peuvent écouter et parler simultanément, mais Shawn Wen attend un raisonnement plus rapide pour rendre l’échange naturel. Chez Otter, Alex Gay met en avant l’identification des intervenants, la compréhension de leurs intentions et le lien avec les connaissances de l’organisation. La reconnaissance vocale reste aussi à améliorer : des mots omis peuvent fausser le contexte, les transcriptions et les actions qui en découlent, puis fragiliser la confiance. Les usages envisagés reposent sur d’autres conditions : résoudre les demandes de service client, restituer les émotions dans des échanges représentés par des jumeaux numériques et informer clairement les personnes de l’enregistrement ou de l’usage de l’intelligence artificielle. Le tableau est donc contrasté : la voix peut déjà écouter et répondre en même temps, mais il reste des difficultés de vitesse, de compréhension et de fiabilité. Dans les réunions, il faut aussi relier les paroles aux personnes qui les prononcent et au contexte de l’organisation. Pour les agents de service client, la qualité de la voix doit s’accompagner d’une résolution réelle des demandes ; pour les outils de réunion, les erreurs de transcription peuvent affecter les actions qui suivent. Enfin, les responsables demandent que l’enregistrement et l’usage de l’IA soient signalés clairement. Les dirigeants reconnaissent des avancées, tout en jugeant que plusieurs défis techniques et pratiques restent à relever avant que la voix connaisse son « moment ChatGPT ».