Un appel vocal est ce que fait de plus exigeant un compagnon IA. Le texte peut prendre quelques secondes sans que personne s'en soucie. La parole, non : on remarque des délais qui seraient invisibles dans une fenêtre de discussion.
Le problème des 200 millisecondes
Des chercheurs qui ont comparé des conversations dans dix langues ont constaté que l'écart typique entre la fin de la phrase de l'un et le début de celle de l'autre est d'environ 200 millisecondes - et qu'il est remarquablement semblable d'une culture à l'autre. On commence à préparer sa réponse avant que l'autre ait fini. Des écarts bien plus longs se lisent comme de l'hésitation, de la confusion ou du désintérêt.
Une IA doit faire tenir toute une chaîne de traitement dans à peu près ce laps de temps pour paraître naturelle.
Ce qui se passe entre vos mots et les siens
La chaîne classique. Les systèmes récents font chevaucher ou fusionner ces étapes.
- Détection de fin de phrase. Le système doit décider que vous avez fini, et pas seulement marqué une pause. Trop impatient, il vous coupe la parole ; trop prudent, il ajoute du silence.
- Parole vers texte. Vos mots sont transcrits.
- La réponse. Le modèle de langage rédige une réponse, dans le personnage, avec la mémoire.
- Texte vers parole. La réponse est transformée en voix - idéalement celle du personnage, avec de l'émotion.
Dans les anciens systèmes, chaque étape attend la fin de la précédente. Les plus récents commencent à dire la première phrase pendant que la suite s'écrit encore, ou utilisent des modèles qui prennent de la parole en entrée et en produisent en sortie directement, ce qui supprime complètement les étapes de transcription et de synthèse.
Pourquoi la voix est limitée
| Discussion écrite | Message vocal | Appel vocal en direct | |
|---|---|---|---|
| Vitesse nécessaire | Quelques secondes suffisent | Quelques secondes suffisent | Des fractions de seconde |
| Traitement supplémentaire | Aucun | Synthèse vocale | Reconnaissance, synthèse, détection des tours de parole |
| Durée typique | Réponses courtes | Une réponse | De quelques minutes à plusieurs heures |
| Coût relatif | Le plus bas | Modéré | Le plus élevé |
| Comment les applications le vendent | Inclus | Inclus ou en crédits | Minutes, paliers ou crédits |
Chaque minute d'appel fait tourner toute la chaîne en continu, souvent sur des versions « temps réel » plus coûteuses de chaque modèle. C'est pourquoi la voix est généralement la première chose qu'une application plafonne, et pourquoi « illimité » s'y applique rarement - voir comment lire la liste de fonctionnalités d'une petite amie IA.
Ce qui rend un appel réaliste
- Une faible latence, constante. Une longue pause occasionnelle brise plus l'illusion qu'une moyenne un peu plus lente.
- La gestion des interruptions. Pouvoir la couper, et qu'elle s'arrête et réponde, distingue une conversation d'une alternance de messages vocaux.
- La constance de la voix. La même voix, le même accent et la même chaleur d'un appel à l'autre. Nos testeurs ont constaté que la qualité de la voix peut varier nettement d'un personnage à l'autre, même dans de bonnes applications.
- La prosodie. Rire, marquer une pause, adoucir le ton - une parole qui porte de l'émotion au lieu de lire un texte à voix haute.
- La mémoire en mode vocal. Certaines applications utilisent un modèle plus léger pour les appels, de sorte que le personnage se souvient de moins de choses au téléphone que dans le chat.
Tester la voix avant de payer
- Demandez ce qui est inclus : messages vocaux, appels en direct, ou les deux - et combien de minutes.
- Passez un appel de deux minutes en période d'essai ou avec l'offre la moins chère, en données mobiles comme en Wi-Fi.
- Coupez-la au milieu d'une phrase. S'arrête-t-elle ?
- Interrogez-la sur un point de votre discussion écrite. Le connaît-elle ?
- Vérifiez le coût de la minute ou du crédit supplémentaire. Un long appel peut consommer l'allocation d'un mois.
Le point plus général sur les coûts des médias est dans comment fonctionnent les images et la voix des petites amies IA, et la question de savoir si passer à l'offre supérieure pour la voix vaut le coup est traitée dans les offres premium.
Une remarque sur le bien-être
La voix est plus immersive que le texte, et la recherche d'OpenAI et du MIT de 2025 a constaté qu'un usage vocal bref allait de pair avec un meilleur bien-être, alors qu'un usage quotidien intense non. Elle gagne à être appréciée par petites doses - les signes d'excès sont dans quand un compagnon IA prend plus qu'il ne donne.