L’intelligence artificielle vocale, le défi de la Big Tech

La prochaine phase de concurrence dans le domaine de l’intelligence artificielle pourrait avoir lieu avec une utilisation moindre du clavier. OpenAI, Google et d’autres grandes entreprises technologiques investissent dans des modèles vocaux dans le but de faire de la conversation le principal outil d’accès aux assistants et agents numériques.

Le passage ne concerne pas seulement la façon de formuler une question. Les nouveaux systèmes sont conçus pour écouter, interpréter le ton, reconnaître le contexte et répondre avec une voix plus naturelle. Ils peuvent également utiliser des outils externes, consulter des documents, émettre des commandes vers des applications et effectuer des tâches nécessitant plusieurs étapes.

OpenAI a déclaré en juillet 2026 que plus de 150 millions de personnes utilisent les fonctionnalités chaque semaine Voix Et Dictée par ChatGPT.

Google a signalé que les conversations avec Gemini Live durent en moyenne cinq fois plus longtemps que les conversations textuelles. Les chiffres indiquent un changement de comportement des utilisateurs, même s’ils ne prouvent pas encore que la voix remplacera l’écriture.

De la commande vocale à la conversation continue

Les assistants vocaux des générations précédentes suivaient une séquence relativement stricte. Le système convertissait la parole en texte, envoyait le texte à un programme capable de produire une réponse et transformait finalement cette réponse en audio.

Chaque étape ajoutait des retards et des erreurs. Un mot mal transcrit pourrait compromettre toute la réponse. Les pauses, les hésitations, l’ironie et les changements de ton étaient souvent perdus. L’effet était celui d’une machine lisant des phrases préparées, plutôt que d’un interlocuteur capable de suivre une conversation.

Les modèles plus récents peuvent traiter directement les signaux audio. La voix n’est pas seulement traitée comme un contenant de mots, mais comme une source d’informations comprenant le rythme, l’intonation, l’emphase et les interruptions.

OpenAI a introduit GPT-Live en juillet 2026, décrit par l’entreprise comme une nouvelle génération de modèles vocaux destinés à rendre les conversations plus naturelles, à améliorer l’écoute et à fournir des réponses plus précises. Déjà en mai dernier, il avait introduit des modèles en temps réel pour les développeurs capables de raisonner, traduire et transcrire pendant qu’une personne parle.

Google a suivi une direction similaire avec des mises à jour des modèles Gemini Live et Native Audio. La société affirme que les systèmes plus récents comprennent mieux les instructions détaillées, gèrent les conversations prolongées et modulent la réponse en fonction du contenu et du ton de l’utilisateur.

Parce que parler peut être plus efficace

La frappe impose une forme de synthèse. Les rédacteurs d’invites ont tendance à réduire le problème à une courte demande, éliminant les détails qu’ils considèrent comme secondaires. Dans le discours, il est plus facile d’ajouter des explications, de se corriger, d’exposer des doutes et de décrire le résultat attendu.

Cet avantage peut devenir pertinent lorsque les agents IA ne doivent plus répondre à une seule question, mais effectuer une tâche composée de plusieurs opérations. Un utilisateur peut demander à un système d’analyser un document, de comparer certaines offres, de préparer un tableau et de signaler les informations manquantes. Oralement, il peut préciser des objectifs et des contraintes sans construire une éducation formelle.

Atty Eleti, chef de produit voix chez ChatGPT, a expliqué au Temps Financier que les gens apprécient la conversation vocale car elle permet un échange plus humain, tandis que la saisie au clavier nécessite plus d’efforts. L’intérêt des entreprises naît également de la durée des interactions : selon Google, les utilisateurs ont tendance à garder une conversation vocale ouverte plus longtemps qu’une session textuelle.

La voix peut élargir l’accès aux systèmes d’IA pour les personnes ayant des difficultés motrices ou visuelles, pour ceux qui n’utilisent pas habituellement de clavier et pour ceux qui ont besoin de travailler sans occuper leurs mains. Il peut être utile lors de la conduite, dans les activités de maintenance, dans les entrepôts, les hôpitaux et les environnements industriels. Cependant, ces usages nécessitent des niveaux de précision élevés : une erreur dans une conversation informelle produit une nuisance, tandis qu’un commandement mal compris dans un processus opérationnel peut générer des coûts ou des risques.

Le banc d’essai de programmation

L’écriture de logiciels est l’un des premiers secteurs dans lesquels les entreprises expérimentent l’interaction vocale avec les agents. Un programmeur peut décrire la fonction qu’il souhaite créer, expliquer les contraintes du projet et demander au système de modifier le code, d’exécuter des tests ou de rechercher des erreurs.

Sandro Gianella, responsable de la stratégie et des opérations internationales chez OpenAI, a parlé de l’utilisation de la voix avec Codex, l’outil de programmation de l’entreprise. Selon Gianella, lorsqu’elle écrit, elle a tendance à compresser le problème trop rapidement, tandis qu’en parlant, elle expose plus clairement l’objectif, les doutes, les contraintes et les critères avec lesquels évaluer le résultat.

Microsoft développe des infrastructures d’agents capables d’effectuer des opérations longues sans verrouiller l’interface. Son Agent Framework permet par exemple de démarrer une mission et de la reprendre via un identifiant, pendant que le système poursuit le traitement. L’architecture est conçue pour des tâches qui incluent l’inspection de fichiers, l’exécution de commandes et l’interaction avec d’autres outils.

La voix, dans ce modèle, devient le point de départ d’une chaîne opérationnelle. La valeur économique ne vient pas de la simple transcription, mais de la capacité à transformer une demande orale en actions vérifiables. Les entreprises devront déterminer quelles opérations un agent peut effectuer de manière autonome, lesquelles nécessitent une confirmation et comment attribuer la responsabilité en cas d’erreur.

Les investissements s’accélèrent vers l’IA vocale

L’intérêt technologique attire les capitaux. Selon les données du PitchBook citées par le Temps Financierles investissements mondiaux en capital-risque dans les startups d’IA vocale ont dépassé 7 milliards de dollars au premier trimestre 2026. Ils sont restés à un peu moins d’un milliard de dollars au cours de la même période en 2025.

Cette hausse s’inscrit dans un marché de l’IA caractérisé par une forte concentration. PitchBook a calculé que les startups du secteur ont levé un total de 255,5 milliards de dollars au premier trimestre 2026, mais seulement trois transactions ont rapporté environ 172 milliards de dollars, soit les deux tiers du total.

Dans le secteur vocal, les investisseurs recherchent des entreprises qui développent des modèles audio, des infrastructures de centres d’appels, des outils de transcription, du doublage, de la traduction simultanée et des agents de service client. Le modèle de revenus peut être basé sur les abonnements, le nombre de minutes traitées ou encore la consommation d’interfaces logicielles.

Toutefois, la croissance du marché ne garantit pas des marges élevées. Le traitement de la voix en temps réel nécessite une puissance de calcul, des réseaux fiables et des temps de réponse très faibles. Une entreprise doit également supporter les coûts de formation, de sécurité et d’adaptation aux différentes langues. Les entreprises qui utilisent des modèles développés par des tiers risquent de devenir dépendantes des prix et des conditions fixés par les grands fournisseurs.

La course aux nouveaux appareils

La propagation de la nouvelle rouvre également le marché du matériel. Les smartphones et les écouteurs ne sont pas toujours adaptés pour enregistrer de longues conversations ou isoler les voix du bruit. Certaines start-up conçoivent donc des microphones directionnels, des enregistreurs de poche, des broches et des dispositifs portables.

Plaud vend des enregistreurs au format carte de crédit qui capturent l’audio et le synchronisent avec une application de transcription et de résumé. La société propose également NotePin, un appareil portable conçu pour les réunions et les notes vocales. La documentation de l’entreprise indique que Plaud Note utilise deux microphones Mems et une unité de capture vocale dédiée. (Applaudissements)

La start-up new-yorkaise Sandbar a développé un anneau dans lequel l’utilisateur peut parler pour enregistrer des notes ou émettre des commandes. L’appareil vise à réduire l’embarras de s’adresser à voix haute à un smartphone dans un bureau, dans un train ou dans un lieu public.

OpenAI travaille sur sa propre famille d’appareils en collaboration avec la société fondée par le designer Jony Ive. Selon le Temps Financierle premier produit pourrait arriver début 2027 et être un assistant environnemental équipé d’une caméra, d’un microphone et d’un haut-parleur. OpenAI n’a pas publié de fiche technique définitive ; les caractéristiques et le calendrier doivent donc être considérés comme des rumeurs et non des annonces officielles.

Le choix du matériel sera déterminant. Un assistant toujours disponible doit distinguer la voix du propriétaire de celle des autres personnes, comprendre quand on lui parle et réduire les activations accidentelles. Il doit également indiquer clairement quand il enregistre, quelles données il stocke et où le traitement a lieu.

La confidentialité et la sécurité deviennent des coûts industriels

Un système vocal collecte des données différentes de celles présentes dans un chat normal. En plus des mots, il peut enregistrer l’identité vocale, l’accent, les émotions perçues, les bruits domestiques et les conversations des personnes n’ayant pas choisi d’utiliser le service.

L’ajout de caméras et de capteurs élargit encore les informations disponibles. Un dispositif environnemental permet de reconstituer les habitudes, les déplacements au sein d’un logement et les relations entre les personnes. Les entreprises devront limiter la collecte, préciser des durées de conservation et autoriser la suppression des données.

Il existe également un problème d’authentification. Une voix enregistrée ou synthétisée peut être utilisée pour émettre des commandes, tandis qu’un système qui surveille les achats, les messages ou les verrous doit vérifier l’identité de l’utilisateur. Les recherches sur la sécurité des assistants vocaux documentent depuis des années les risques liés aux attaques de lecture audio et aux commandes données par des personnes non autorisées.

Les règles européennes en matière de protection des données et d’intelligence artificielle obligeront les entreprises à évaluer la finalité, la proportionnalité et les risques du traitement. Pour les fournisseurs, la conformité ne sera pas une fonction accessoire : elle influencera les délais de développement, les coûts d’assurance et la possibilité de vendre des produits aux banques, aux administrations publiques et aux entreprises de santé.

La limite la plus difficile est sociale

La technologie doit surmonter un obstacle qui ne dépend pas de la puissance des modèles. Parler à une machine en présence d’autres personnes peut être intrusif. Une conversation vocale occupe de l’espace sonore, expose des informations personnelles et rend difficile de comprendre si quelqu’un s’adresse à un collègue ou à un assistant numérique.

Dans les bureaux, l’utilisation simultanée de plusieurs agents vocaux pourrait augmenter le bruit et compromettre la confidentialité. Certaines start-up investissent dans l’insonorisation, des microphones de proximité et des appareils captant la voix sans obliger l’utilisateur à parler à fort volume.

Restent ensuite les erreurs dues aux accents, aux langues mixtes, aux chevauchements et aux environnements bruyants. OpenAI a reconnu que les versions vocales précédentes pouvaient être lentes et confondre les langues ou les prononciations. Les nouveaux modèles réduisent ces problèmes, mais ne les éliminent pas.

La voix va probablement conquérir des activités dans lesquelles la rapidité, la liberté de mouvement et la richesse des instructions comptent plus que la discrétion. Le texte gardera un avantage lorsque vous aurez besoin de précision, de contrôle visuel et d’une piste facile à corriger.

Le marché ne se dirige donc pas vers la disparition du clavier. Il s’agit de construire une interface supplémentaire qui peut devenir centrale pour les agents capables d’agir. Le succès dépendra moins de la similitude de la voix avec la voix humaine que de la capacité à accomplir correctement une tâche, à expliquer ce qui a été fait et à protéger les informations entendues.