Créer avec GPT-Live et la génération d’images | DevDay 2026

6/10

IAOpenAI11 novembre 2026 à 02:2222:23

Lecteur audio

INTRO

GPT Live introduit un système vocal full-duplex, sans tours de parole imposés, capable d’écouter et de parler simultanément, de déléguer le travail complexe à des agents back-end, et de rester utilisable dans des environnements bruyants sans dépendre de la détection des silences.

POINTS CLÉS

Interaction vocale full-duplex

GPT Live est conçu pour diffuser l’audio en continu dans les deux sens, au lieu d’attendre des tours de parole rigides entre l’utilisateur et l’assistant. Cela permet des chevauchements de parole, des réactions rapides, des interruptions et des comportements de rétroaction comme le rire ou de brèves marques d’acquiescement. Le modèle gère aussi lui-même la prise de tour, supprimant le besoin de systèmes séparés de détection d’activité vocale chargés d’estimer quand un utilisateur a fini de parler.

Personnalité et comportement pilotables par prompt

Les développeurs peuvent régler non seulement ce que dit le modèle, mais aussi la manière dont il le dit. Le ton, l’accent, l’humour, la patience face aux interruptions, la propension à intervenir, et même le fait que le modèle parle ou non sont décrits comme entièrement pilotables par prompt. Cela permet de créer des produits vocaux qui se comportent comme un coach, un tuteur, un partenaire de brainstorming, ou un assistant plus réservé qui ne parle que lorsque c’est nécessaire.

Plusieurs sessions live dans une seule expérience

Le système peut exécuter des sessions GPT Live supplémentaires comme participants conversationnels distincts, chacune avec sa propre voix et ses propres instructions. Dans la démonstration, une seconde persona a rejoint la conversation de façon autonome, montrant comment les applications peuvent ajouter des personnages, des spécialistes ou des personas de test sans recourir à des outils. Le même schéma peut aussi servir aux évaluations, avec des utilisateurs simulés représentant des scénarios de production et différents styles conversationnels.

La délégation maintient la fluidité de la conversation

Une fonction centrale est la délégation, qui permet au modèle vocal de continuer à parler pendant que des tâches plus complexes s’exécutent ailleurs. Le modèle peut lancer de nouveaux fils d’exécution pour le travail back-end, puis recevoir plus tard les résultats afin de les restituer à l’oral. Cela permet à une interface vocale de rester réactive pendant qu’un raisonnement plus lourd, l’exécution de code ou la logique métier se déroulent en parallèle.

Architecture répartie entre UI, voix et back-end

Les applications sont conçues en trois couches coordonnées: l’UI, l’interface vocale et le back-end qui effectue réellement le travail. Dans un exemple de jeu de dessin, l’UI affichait les croquis, la couche vocale gérait les suppositions et les commentaires, et le back-end utilisait Astra 6 avec exécution de code pour produire les dessins. Comme chaque couche ne reçoit que les informations dont elle a besoin, le système peut révéler des indices, suivre les réponses et continuer le rendu sans faire passer chaque mise à jour par le modèle vocal.

Trois façons de mettre à jour le modèle

Les systèmes back-end peuvent alimenter GPT Live par trois canaux. Les mises à jour silencieuses du contexte informent le modèle de l’état en arrière-plan afin qu’il puisse répondre sans nouvelle délégation. Le contenu prononçable fournit le texte que le modèle doit dire à voix haute, comme des mises à jour de score, tandis que le flux d’instructions modifie le comportement en cours de session, y compris les garde-fous ou de nouvelles règles de style, par exemple être plus concis.

Deux modes de délégation pour les développeurs

L’API propose la délégation client et la délégation responses. Avec la délégation client, les développeurs reçoivent directement les événements de délégation et peuvent acheminer le travail via leur harnais d’agents, leur logique métier et leur pile de modèles existants, ce qui convient aux équipes ayant déjà des workflows texte en production. Avec la délégation responses, un modèle configuré via la Responses API prend en charge davantage de cette orchestration, y compris des schémas familiers d’appel de fonctions et des outils hébergés optionnels comme la recherche web et la génération d’images.

Conçu pour la migration, pas pour le remplacement

L’un des arguments pratiques les plus forts en faveur de GPT Live est qu’il peut être ajouté comme couche vocale au-dessus de systèmes existants. Les équipes peuvent conserver leurs modèles actuels, leurs pipelines d’évaluation et leur orchestration back-end, tout en remplaçant l’interface d’écoute et de parole. Cela réduit le coût d’adoption des fonctions vocales et rend l’expérimentation moins perturbatrice.

Une architecture sans tours améliore les performances en environnement bruyant

Comme GPT Live ne dépend pas de frontières de tours fondées sur le silence, il peut fonctionner même avec un bruit de fond intense et continuer à répondre à des consignes changeantes. Cette architecture vise des contextes réels comme les aéroports, les voitures, les sites de production et les événements bondés, où les systèmes classiques échouent souvent. Le modèle peut continuer à écouter, parler et déclencher des outils même lorsque l’environnement audio est chaotique.

La voix élargit l’accès aux commandes des applications

Le système est présenté comme un moyen d’aplanir des interfaces complexes en permettant aux utilisateurs de demander directement des changements au lieu de chercher dans des menus. Les requêtes orales peuvent porter bien plus de contexte que des prompts saisis, ce qui facilite la description de l’intention de l’utilisateur et l’action de l’application. Cela pourrait rendre les paramètres de niche et les contrôles avancés plus accessibles dans les logiciels grand public comme en entreprise.

CONCLUSION

GPT Live combine parole simultanée, délégation flexible et comportement pilotable par prompt dans une architecture vocale pensée pour des applications concrètes. Son intérêt principal est de rendre les interfaces conversationnelles plus naturelles tout en s’intégrant aux piles logicielles existantes et aux conditions bruyantes du monde réel.

Poser une question

Sur le même sujet : IA