OpenAI lance de nouveaux modèles vocaux pour des conversations en direct plus naturelles

OpenAI a dévoilé aujourd’hui deux nouveaux modèles conversationnels, nommés GPT-Live-1 et GPT-Live-1 mini, qui offrent une qualité vocale plus naturelle et une meilleure gestion des tours de parole. Ces modèles full-duplex peuvent simultanément écouter et parler, ce qui permet aux utilisateurs d’interrompre de manière fluide et d’activer des fonctionnalités telles que la traduction en direct.

La société remplace par défaut son mode vocal avancé actuel dans ChatGPT par GPT-Live-1 mini. Les abonnés des offres payantes auront accès au modèle plus puissant GPT-Live-1. Le modèle précédent combinait un système de reconnaissance vocale pour la transcription, un grand modèle de langage pour générer les réponses, et un module de synthèse vocale pour restituer la réponse finale.

Lors d’une conférence de presse, OpenAI a indiqué que ces nouveaux modèles corrigent des problèmes tels que l’interruption intempestive de l’utilisateur et un manque d’intelligence dans les réponses. Les requêtes sont transmises aux derniers modèles textuels, comme GPT-5.5, pour effectuer recherches, raisonnements ou actions complexes tout en maintenant la fluidité de la conversation.

OpenAI a également démontré que le modèle peut rester silencieux longtemps, intégrant le contexte de l’échange jusqu’à ce qu’il soit sollicité. De plus, grâce à l’accès aux modèles GPT les plus récents, le mode vocal peut présenter certaines informations sous forme visuelle. D’autres startups, comme Monogram, qui a levé 40 millions de dollars en capital amorçage auprès de DST et Lux Capital, misent aussi sur les réponses visuelles pour rendre les assistants plus interactifs.

Le nouveau mode vocal de ChatGPT est conçu pour permettre des conversations prolongées. Atty Eleti, responsable produit de ChatGPT Voice, a déclaré lors de la présentation avoir eu des échanges de 30 à 40 minutes avec cette fonction pendant ses promenades.

OpenAI estime que la voix pourrait devenir l’interface principale pour les tâches informatiques complexes. Des rumeurs évoquent le lancement cette année d’écouteurs intégrant des capacités d’intelligence artificielle, sans que la société n’ait confirmé d’informations sur du matériel.

« Avec le temps, nous pensons que la voix deviendra une interface principale pour l’informatique et la gestion de travaux complexes et prolongés. Les cas d’usage impressionnants que nous observons avec Codex et ChatGPT pourraient à l’avenir être réalisés via la voix », a expliqué Atty Eleti.

Depuis plusieurs années, OpenAI améliore les fonctionnalités vocales pour rendre le mode voix de ChatGPT plus naturel. L’entreprise affirme que plus de 150 millions de personnes utilisent des fonctions comme Voice et Dictation pour interagir avec ChatGPT.

Les concurrents cherchent également à rendre leurs assistants plus expressifs. Apple et Amazon ont mis à jour leurs assistants pour améliorer la conversation et la gestion du contexte. Des startups comme Sesame, fondée par Brendan Iribe, cofondateur d’Oculus, et Ankit Kumar, ont lancé des assistants IA capables de dialogues plus naturels tout en accomplissant des tâches en arrière-plan.

OpenAI suit cette tendance en visant à permettre des interactions vocales mains libres plus longues avec son assistant. Malgré ses affirmations sur le naturel du nouveau mode vocal, la société insiste sur le fait qu’elle ne souhaite pas en faire un compagnon IA. Les modèles intègrent des protections pour fournir des réponses adaptées à l’âge des adolescents et proposer des ressources en cas de discussions sur des sujets sensibles comme l’automutilation.

Le mode vocal reste perfectible. Lors de la démonstration, la fonction de traduction en direct en hindi présentait un fort accent américain et un ton légèrement scolaire, rendant la prononciation peu naturelle. OpenAI a précisé que ce mode est optimisé pour « la plupart des langues parlées » sans en préciser la liste exacte.