Tech • IA • Robotique • Jeu
Cette IA vous coupe la parole (et c'est fait exprès)
7/10INTRO
Une équipe de Paris à l’origine de Moshi a contribué à redéfinir l’IA vocale avec une architecture full-duplex en temps réel, que de nombreuses grandes entreprises utilisent désormais comme base pour la nouvelle génération d’assistants.
POINTS CLÉS
De la finance à la recherche sur la parole
Nail, aujourd’hui cofondateur de Gradium, a d’abord étudié les mathématiques pour la finance avant de se tourner vers le machine learning et de rejoindre le programme d’IA MVA en France. Ses premiers travaux portaient sur la façon dont les bébés apprennent le langage avec une exposition limitée, à l’opposé des systèmes vocaux qui nécessitaient autrefois 30,000 hours d’audio annoté et en utilisent maintenant des dizaines de millions. Ces recherches ont été menées entre ENS et Facebook AI Paris, avec pour objectif de comprendre pourquoi les humains apprennent la parole de façon si efficace à partir de données rares et non annotées.
Transformer l’audio en tokens
Des travaux ultérieurs sur la compression neuronale de l’audio ont provoqué un changement majeur. Les formats traditionnels comme MP3 et Opus reposent sur des règles psychoacoustiques conçues à la main, mais les nouveaux modèles ont appris directement à partir des données une représentation bien plus efficace. Le résultat a été un tokenizer audio qui compresse le son en unités proches de codes, rendant la parole et la musique prévisibles sous forme de séquences, comme les modèles de texte prédisent le mot suivant.
Une étape clé vers l’audio génératif
Une fois l’audio tokenisé, une approche de type modèle de langage pouvait être appliquée directement au son. En fournissant quelques secondes de parole, le système pouvait continuer avec la même voix, rendant possible un premier voice cloning; avec des notes de piano, il pouvait prolonger une mélodie. Ces travaux ont aussi ouvert la voie à la génération texte-vers-audio, à la synthèse vocale, à la traduction et à la création d’effets sonores, et ils ont influencé indirectement des entreprises comme Suno, dont la première pile open source s’appuyait sur le même paradigme.
Pourquoi les assistants vocaux ont pris du retard
Malgré des démonstrations marquantes comme Google Duplex en 2018, les assistants vocaux sont restés limités, car la plupart des systèmes étaient construits en cascade: reconnaissance vocale, puis modèle de texte, puis synthèse vocale. Cette approche ajoute de la latence, supprime le ton et les hésitations, et impose une alternance de parole façon talkie-walkie. Les utilisateurs doivent s’adapter à la machine, parler au bon rythme et éviter les interruptions, au lieu de converser naturellement.
La percée de Moshi
La réponse développée à Paris a été l’interaction vocale full duplex, où le modèle écoute et génère en continu, y compris le silence, au lieu d’alterner entre écoute et parole. Lancé en 2024, Moshi a été conçu pour gérer les interruptions, les chevauchements, les hésitations et les signaux émotionnels davantage comme une conversation humaine. Une démo publique en direct a montré le système fonctionnant en temps réel sur un ordinateur portable, un exploit technique qui a suscité de fortes réactions chez les spécialistes conscients de la difficulté d’entraîner ensemble le tokenizer, le modèle de texte et l’interaction duplex.
Une influence open source au-delà du produit
Même si Moshi n’était pas au départ un assistant grand public complet, son impact technique s’est rapidement diffusé. L’équipe a publié un article détaillé et mis en open source les modèles, le code et le tokenizer, téléchargé à un rythme d’environ 1.5 million times per month. Cette pile aurait influencé des systèmes chez Meta, Mistral, Google et d’autres, y compris des architectures vocales derrière des produits commerciaux ultérieurs.
L’offensive commerciale de Gradium
Après avoir vu des entreprises externes bâtir des produits de valeur sur les modèles ouverts, Nail et ses collègues ont lancé Gradium pour transformer des prototypes de recherche en systèmes vocaux prêts pour la production. L’objectif affiché de l’entreprise est de devenir le leader mondial des modèles de parole sur l’ensemble des usages. Elle a levé €60 million, en affirmant qu’une petite équipe de Paris peut encore dépasser de plus grands rivaux dans la voix si elle reste en avance à la fois sur l’architecture et l’exécution produit.
Petits modèles, réponses rapides
Une part essentielle de la stratégie est l’efficacité. Les produits vocaux exigent une faible latence et un faible coût, ce qui rend les grands modèles de raisonnement peu pratiques pour des tâches courantes comme la prise de rendez-vous. Gradium développe des systèmes hybrides dans lesquels un petit modèle vocal rapide gère la conversation naturelle et n’appelle un grand modèle de texte que lorsqu’un raisonnement plus poussé ou un accès au web est nécessaire, avant de réinjecter le résultat de manière fluide dans le dialogue.
Ce qui attend l’IA vocale
L’entreprise s’attend à une forte expansion des usages vocaux d’ici 2026, non seulement pour les assistants personnels mais aussi pour la robotique. Les robots humanoïdes dans les usines, les rues ou les maisons auront besoin d’interfaces vocales, car ils ne peuvent pas compter sur des claviers; pourtant, les modèles actuels peinent encore dans les environnements bruyants avec plusieurs locuteurs et des sons qui se chevauchent. Ce problème reste non résolu, et les chercheurs estiment que la dernière ligne droite est plus difficile, car la qualité audio et le naturel conversationnel nécessitent encore une forte évaluation humaine plutôt que de simples benchmarks automatisés.
L’ouverture stratégique de l’Europe
L’idée plus large est que l’Europe dispose encore d’une véritable fenêtre d’opportunité dans l’IA vocale, même si les États-Unis et la Chine dominent une grande partie de la course aux modèles de texte. Paris est devenu un pôle majeur, avec des équipes de recherche de Meta, Google, Anthropic, OpenAI et Mistral sur place. Les défenseurs du secteur soutiennent que des capacités souveraines en IA de bout en bout, y compris la parole, deviennent stratégiquement importantes pour l’industrie, la santé, la défense et les infrastructures logicielles.
CONCLUSION
L’IA vocale passe de la nouveauté à l’infrastructure, et l’enjeu n’est plus seulement de sonner humain, mais de construire des systèmes rapides, utiles et économiquement viables. Si cette trajectoire se confirme, la prochaine vague d’assistants sera peut-être façonnée moins par des démos spectaculaires que par le travail d’architecture discret qui se diffuse aujourd’hui de Paris à travers toute l’industrie.
Poser une question