OpenAI publie le technical deep-dive de GPT-Live, le système qui active la voix continue dans les agents. Le modèle écoute et parle dans le même flux, sans tours de conversation, avec une architecture construite en six mois pour ramener la latence sous le seuil de la conversation naturelle.

Pourquoi ça te concerne. Si tu évalues ou construis des agents vocaux, tu as maintenant la fondation technique documentée de ce qui est déjà en production. Le 2 août, nous parlions d’avatarin, qui a mis 30.000 clients en conversation avec un agent vocal basé sur GPT-Realtime dans les magasins Yamada Denki. GPT-Live décrit l’architecture qui sous-tend ce type de système : ce que signifie éliminer les tours de parole, quelle latence est nécessaire, quels compromis cela implique.

La différence entre la voix à tours et la voix continue est la différence entre un talkie-walkie et un appel téléphonique. Le premier t’oblige à dire « allô », attendre, répondre. Le second laisse les paroles se chevaucher, te permet d’interrompre, fait que l’interlocuteur réagisse pendant que tu parles encore. Pour un agent qui assiste un client au téléphone ou en magasin, c’est le seuil qui sépare une démo d’un outil vraiment utilisable.

Le document arrive alors que la voix se consolide comme canal opérationnel pour les agents : Anthropic a étendu le mode vocal à Opus et Sonnet, et OpenAI Presence mise sur la voix dans la plateforme enterprise.

En détail

La conversation vocale avec une IA pose un problème que le texte n’a pas : la latence. Quand tu écris en chat, une seconde d’attente est normale. Quand tu parles au téléphone, une seconde de silence après ta phrase sonne comme un vide, et deux secondes donnent l’impression que l’interlocuteur n’écoute pas.

Les systèmes vocaux traditionnels résolvent le problème par étapes : ils enregistrent l’audio, le convertissent en texte, génèrent une réponse textuelle, la convertissent en voix, la lisent. Chaque étape ajoute de la latence, et le tour est rigide : tu parles, l’IA se tait, puis l’IA parle et tu te tais. C’est le modèle du talkie-walkie.

Ce qui change avec GPT-Live. Le système décrit par OpenAI élimine la structure des tours. Le modèle écoute l’audio en streaming et génère de la voix en streaming, dans le même flux continu. Cela signifie que l’agent peut commencer à répondre avant que tu aies fini de parler, peut être interrompu, et peut gérer les chevauchements comme le ferait une personne lors d’un appel. Le document décrit l’architecture construite en six mois pour atteindre ce résultat, avec l’objectif explicite de maintenir la latence sous le seuil de la perception.

Pour un non-ingénieur. Le saut technique consiste à connecter directement l’audio entrant à l’audio sortant, sans passer par la transcription comme étape séparée. Le modèle traite des fragments de voix au lieu de fragments de texte écrit. L’architecture doit gérer le flux bidirectionnel en temps réel, bufferiser suffisamment pour ne pas perdre de paroles, et maintenir une latence constante même quand la charge varie.

Le lien avec avatarin. Le cas d’avatarin dans les magasins Yamada Denki, raconté le 2 août, est la première démonstration à l’échelle réelle d’un agent vocal basé sur GPT-Realtime en production 24/7, avec 30.000 clients et 92% de satisfaction déclarée. Ce qui manquait, c’était la documentation de l’architecture sous-jacente. C’est désormais disponible : quiconque évalue la construction d’un système similaire a une référence technique au lieu d’une étude de cas marketing.

Les limites de ce qu’on sait. Le document publié par OpenAI est un technical deep-dive, mais d’après le résumé, on connaît l’approche générale et les résultats, pas tous les détails d’implémentation. Les métriques de latence spécifiques, les coûts par minute de conversation, et les comparaisons directes avec des systèmes concurrents (comme le mode vocal de Claude sur Opus et Sonnet) n’émergent pas du sommaire. Ce qu’on sait, c’est que le système existe, fonctionne en production, et OpenAI a choisi de documenter son architecture. Ce qu’on ne sait pas, c’est à quel point c’est réplicable par des tiers avec des outils ouverts, et quelle infrastructure de calcul cela nécessite pour supporter la charge d’un déploiement à grande échelle.

Pour ceux qui suivent le fil de la voix comme canal opérationnel des agents, GPT-Live est la pièce technique qu’avatarin tenait pour acquise et qu’Anthropic a introduite sans documenter. La référence existe maintenant.