OpenAI lance GPT-Live : écouter et parler simultanément pour une expérience de dialogue réaliste

OpenAI a lancé mercredi les modèles vocaux full-duplex GPT-Live-1 et GPT-Live-1 mini, remplaçant l'ancien Advanced Voice Mode. Les tâches complexes seront déléguées au GPT-5.5, présenté en avril dernier.

(Contexte précédent : Google Traduction mis à jour : Gemini 3.5 élimine les pauses gênantes dans l'interprétation vocale en temps réel) (Contexte complémentaire : Créez un service client IA en 2 minutes ! xAI lance un Voice Agent Builder sans code, surpassant OpenAI aux tests vocaux)

Mettant fin à deux ans de « dialogue à tour de rôle façon manège », OpenAI a appris à ChatGPT une chose mercredi : parler et écouter en même temps. Le nouveau modèle vocal GPT-Live abandonne la logique de l'ancien système basé sur le silence pour déterminer le tour de parole, et adopte une architecture full-duplex.

GPT-Live-1 et GPT-Live-1 mini sont disponibles dès aujourd'hui dans le monde entier sur iOS, Android et ChatGPT.com. GPT-Live-1 devient le modèle vocal par défaut pour les utilisateurs payants de Go, Plus et Pro, tandis que GPT-Live-1 mini dessert les utilisateurs gratuits. L'API sera accessible aux développeurs sur liste d'attente. Il s'agit du troisième changement de génération de la technologie vocale de ChatGPT en deux ans, et de la déclaration la plus claire d'OpenAI : la voix n'est plus une fonctionnalité accessoire d'un chatbot textuel, mais doit devenir l'interface principale de la conversation entre l'homme et l'IA.

Pourquoi l'ancienne voix coupait-elle toujours la parole ?

OpenAI a écrit dans un blog de recherche que GPT-Live traite les entrées en continu tout en générant des sorties. Le modèle prend plusieurs décisions d'interaction par seconde : quand parler, continuer à écouter, faire une pause, interrompre ou appeler un outil. Un chercheur a décrit sur X l'expérience de l'ancienne version comme « un tour de rôle façon manège », où une seule personne parle à la fois et doit finir avant que le suivant ne prenne la parole.

C'était le point faible de l'ancien Advanced Voice Mode. OpenAI reconnaît qu'en se basant sur le silence pour déterminer le tour de parole, une courte pause ou un bruit de fond pouvait être interprété comme la fin de l'intervention de l'utilisateur, amenant le modèle à interrompre brutalement à un moment inopportun.

Qui parle et qui réfléchit ?

Une autre caractéristique clé de GPT-Live est de séparer la « couche d'interaction vocale » de la « couche de raisonnement ». Les questions simples sont traitées directement par GPT-Live. En cas de besoin de recherche web, de raisonnement approfondi ou de tâches multi-étapes, le travail est délégué à un modèle de pointe exécuté en arrière-plan — au lancement, le GPT-5.5 présenté en avril dernier. Pendant les calculs, la conversation avec l'utilisateur se poursuit, sans les secondes de silence de l'ancien pipeline.

C'est une conception modulaire : l'avantage est que pour améliorer l'intelligence, il n'est pas nécessaire de réentraîner le modèle vocal lui-même. Pour les entreprises et développeurs qui souhaitent intégrer des agents vocaux à des bases de données, des recherches ou des tâches multi-étapes, c'est une véritable réduction des barrières.

La nouvelle version ajoute également deux petites fonctionnalités : des cartes visuelles (météo, cours de bourse, scores sportifs, cartes, etc.) apparaissent en temps réel pendant la conversation. L'utilisateur peut également basculer manuellement entre trois niveaux de raisonnement : Instant (immédiat), Medium (moyen) et High (complexe), pour décider si la réponse vocale doit être rapide ou plus réfléchie. Autrement dit, la rapidité et la précision ne sont plus un choix exclusif : l'utilisateur peut lui-même ajuster la ligne.

OpenAI en a profité pour remanier la palette de voix. Les neuf voix sont conçues « pour la conversation, pas pour l'imitation vocale », et des protections contre l'imitation de voix humaines ont été ajoutées. Cela répond en partie à une controverse vieille de deux ans. En mai 2024, lors de la présentation du GPT-4o, la voix « Sky » avait été jugée très proche de celle de Scarlett Johansson, actrice du film Her. Elle avait confirmé avoir refusé une invitation de Sam Altman pour un doublage, et s'était dite choquée et en colère après le lancement du produit. OpenAI avait ensuite retiré cette voix et présenté ses excuses.