Microsoft testerait une IA qui parle pendant que tu parles, sans rien annoncer

Le 2 août, quelqu'un a repéré une entrée cachée dans le terrain de jeu interne de Microsoft, une interface réservée aux tests. On y trouve un modèle appelé MAI-Realtime. Il serait proposé en accès anticipé à un petit groupe de partenaires. Pas de communiqué, pas de fiche technique, pas de page de tarifs, pas même un billet de blog. Juste un modèle caché dans un coin.

Et ce ne serait pas un modèle vocal de plus. Ce serait le premier modèle de Microsoft capable d'écouter et de parler en même temps.

Ce qu'on sait, et pourquoi il faut prendre des pincettes

Commençons par le point essentiel : ceci est une fuite, pas une annonce. L'information vient de TestingCatalog, qui a eu accès à la version d'essai. Microsoft n'a rien confirmé ni donné de date. L'entreprise peut très bien enterrer le projet la semaine prochaine.

Cette version propose deux voix, Victoria et Grant. Elles seraient nettement plus naturelles que celles du mode vocal actuel de Copilot. Le modèle prendrait en charge dix-sept langues, dont le français. Un panneau de débogage permet aussi de suivre les étapes de traitement et les latences, c'est-à-dire les délais de réponse. On comprend vite que l'outil vise les développeurs, pas le grand public. Il a aussi une limite assez drôle : il ne chante pas et ne produit aucun son autre que de la parole. Pas de bruitage, pas de fredonnement.

Le talkie-walkie et le téléphone

Pour comprendre ce que cela change, il faut d'abord regarder le fonctionnement des assistants vocaux actuels. Le mot compliqué du jour est full duplex. Deux objets suffisent pour l'expliquer.

Avec un talkie-walkie, chacun parle à son tour. Tu appuies, tu parles, tu relâches, puis tu dis « à toi ». Tant que tu parles, tu n'entends rien. Avec un téléphone, les deux personnes peuvent parler et écouter en même temps. Elles peuvent se couper la parole ou dire « mmh » pendant que l'autre continue. Le full duplex, c'est le téléphone. Le half duplex, c'est le talkie-walkie.

Les assistants vocaux que tu utilises fonctionnent comme des talkies-walkies. Leur traitement ressemble à une course de relais avec trois coureurs. Le premier transforme ta voix en texte. Le deuxième prépare la réponse. Le troisième transforme ce texte en voix. Chacun attend que le précédent ait terminé.

Trois coureurs se passent le témoin. Un seul court directement. La différence se mesure dans le temps d'attente.

Un modèle full duplex supprime ces relais. L'audio entre et ressort en un seul passage. Surtout, le modèle continue de t'écouter pendant qu'il parle. Si tu lui coupes la parole, il peut donc s'arrêter au lieu de terminer sa phrase dans le vide, comme ton assistant actuel.

Le trait rouge, c'est nous. Les linguistes mesurent environ 200 millisecondes de silence entre deux tours de parole chez l'humain.

Les chiffres montrent la différence. Une chaîne classique bien optimisée répond entre 800 millisecondes et 2 secondes. Sans optimisation particulière, elle prend entre 2 et 4 secondes. Un modèle full duplex comme Moshi, publié par Kyutai, tourne autour de 200 millisecondes. C'est aussi, très exactement, le silence que nous laissons entre deux tours de parole dans une conversation humaine.

Voilà pourquoi une conversation avec un assistant vocal semble toujours un peu étrange. Le problème ne vient pas forcément de la voix. Il vient du blanc avant la réponse. Dans une vraie conversation, une seconde de silence suffit déjà à installer un malaise.

Le plus dur n'est pas de parler, c'est de savoir quand se taire

Supprimer les relais crée un autre problème. La machine doit deviner quelque chose que nous faisons sans y penser : as-tu terminé ta phrase ou cherches-tu simplement ton mot ?

Toute la difficulté du direct tient dans cette question. Un humain la résout sans y penser. Une machine s'y casse les dents.

Le modèle de Microsoft proposerait deux méthodes pour trancher. Avec la première, il décide seul en analysant le sens de tes paroles. Un composant conçu par Microsoft se charge alors de repérer les fins de phrase. La seconde méthode combine une durée de silence avec une analyse du sens. Elle est plus prévisible et vise ceux qui veulent que le modèle réagisse de manière régulière, plutôt que de le laisser improviser.

Ce réglage montre à qui s'adresse le produit. On ne propose pas deux modes de gestion des tours de parole à quelqu'un qui veut seulement demander la météo. On les propose à une entreprise qui compte installer ce système dans son service client et régler précisément le moment où la machine doit se taire.

Sauf qu'OpenAI est passé devant il y a un mois

Impossible de parler de MAI-Realtime sans regarder ce que tout le monde peut déjà utiliser. Le 8 juillet, OpenAI a lancé GPT-Live. Le principe est le même : un modèle vocal qui écoute et parle en même temps. Pas d'accès anticipé ni de laboratoire fermé. Il est déjà dans ChatGPT, partout et tout de suite.

Un mois d'écart, mais surtout deux endroits très différents. À gauche, ça sert déjà. À droite, ça se visite en cachette.

Le détail qui fait mal à Microsoft, c'est la disponibilité. GPT-Live-1 est proposé aux abonnés payants, GPT-Live-1 mini aux comptes gratuits. Autrement dit, même sans payer un centime, tu peux tester le full duplex ce soir sur ton téléphone. Le full duplex, c'est simplement la capacité d'écouter et de parler en même temps. Il suffit d'appuyer sur le bouton vocal de ChatGPT.

La vidéo qui a fait le tour, et ce qu'elle raconte vraiment

OpenAI a publié une démonstration qui vaut le détour, « This is the new ChatGPT Voice ». On y voit trois femmes âgées discuter avec l'assistant. Elles se coupent la parole, hésitent, puis repartent. Et ça marche. Le machin dit « mmh » et « ouais » pendant qu'elles parlent. Il se tait quand elles réfléchissent, puis reprend lorsqu'elles ont fini. Le résultat est troublant de naturel.

Le choix de ces trois dames n'a évidemment rien d'innocent. La démonstration montre que la voix fonctionne aussi pour les personnes qui ne tapent pas au clavier. Difficile de trouver meilleur argument pour cette technologie. The Register a toutefois relevé, avec la délicatesse qu'on lui connaît, un autre détail. Cette tranche d'âge est aussi celle que visent les arnaques téléphoniques facilitées par ce genre d'outil. Les deux observations sont vraies en même temps. C'est bien ça, le problème.

Alors, Microsoft fait-il mieux ?

Réponse courte : non. Sur le seul critère qui compte pour toi, Microsoft est même très loin derrière. GPT-Live tourne dans la poche de centaines de millions de gens. MAI-Realtime reste caché dans un outil interne, sans date, sans prix et sans confirmation.

Sur le plan des capacités, les deux modèles se ressemblent beaucoup. Microsoft a tout de même deux ou trois arguments à faire valoir.

• Ce qu'OpenAI a en plus : la disponibilité, évidemment, mais aussi une astuce bien pensée. Quand ta question demande une vraie recherche, GPT-Live la confie en arrière-plan à un modèle plus puissant, GPT-5.5. Pendant ce temps, il continue de bavarder. Voilà ce qui évite un silence de dix secondes dès que tu poses une question compliquée.
• Ce que Microsoft a en plus : dix-sept langues annoncées, deux méthodes pour gérer les tours de parole, donc décider qui parle et à quel moment, ainsi qu'un panneau qui affiche les temps de réponse en direct. Rien de tout ça ne passionne quelqu'un qui veut simplement discuter avec son téléphone. En revanche, une entreprise qui veut connecter le modèle à un standard téléphonique y verra tout de suite l'intérêt.
• La vraie brèche : GPT-Live ne propose pas encore d'interface pour les développeurs, c'est-à-dire de moyen officiel pour l'intégrer à leurs propres applications. Cette interface est promise, mais elle n'existe pas encore. Microsoft peut donc encore prendre la porte des professionnels, pas celle du grand public. Avec ses réglages et son panneau de débogage, qui sert à repérer les problèmes techniques, son modèle ressemble furieusement à un produit conçu dans ce but.

Mon impression, et je la donne pour ce qu'elle vaut : OpenAI a gagné la vitrine, Microsoft joue l'arrière-boutique. Ce n'est pas la position la plus glorieuse. C'est souvent la plus rentable.

L'autre façon de parler à sa machine, c'est de la faire écrire

Pendant que Microsoft planque son modèle et qu'OpenAI fait bavarder des grands-mères, un autre usage de la voix fonctionne déjà très bien sur ta machine. Et curieusement, presque personne n'en parle. C'est la dictée.

Ce ne sont pas les mêmes difficultés. Un modèle full duplex, capable d'écouter et de parler en même temps, doit gérer les tours de parole. Il doit comprendre quand tu as fini et savoir quand se taire. La dictée ne va que dans un sens : tu parles, puis un texte propre apparaît là où clignote ton curseur. Pas de conversation à tenir, donc pas de tour de parole à négocier. Le problème est plus simple. Voilà pourquoi il est déjà résolu.

Ce que fait Wispr Flow, et pourquoi ça surprend

Le plus connu du lot s'appelle Wispr Flow. Le principe tient en une phrase : tu maintiens une touche, tu parles, tu la relâches, puis le texte apparaît dans l'application que tu utilisais. N'importe laquelle. Un champ de recherche, un mail, VS Code ou la fenêtre de discussion de ton IA préférée.

L'argument de vente, c'est la vitesse. 220 mots par minute à la voix, contre 45 au clavier. Le chiffre est joli, mais ce n'est pas ce qui change vraiment l'usage.

La vraie différence, c'est le nettoyage. Tu dictes comme tu parles, avec tes « euh », tes « enfin », tes « non attends, je reprends ». Rien de tout ça n'arrive à l'écran. Le modèle d'IA repère que tu t'es corrigé, jette la première version et garde la bonne. Il ajoute aussi la ponctuation et adapte le ton à l'application dans laquelle tu écris. L'ancienne dictée recopiait fidèlement chaque hésitation. Il fallait ensuite tout corriger, ligne par ligne. Autant taper.

Tout le produit est dans cet entonnoir. Ce qui entre est un brouillon parlé, ce qui sort est écrit.

La différence avec l'ancienne dictée ne vient donc pas de la reconnaissance des mots. Cette partie fonctionne depuis des années, et j'en parlais en détail dans les nouveaux modèles de transcription d'OpenAI. La différence vient de ce que le logiciel fait des mots une fois qu'il les a reconnus.

Wispr Flow fonctionne sur Mac, Windows, iPhone et Android, dans plus de cent langues. La société a levé 81 millions de dollars pour ça. Perso, je m'en sers depuis quelques semaines pour écrire mes prompts, c'est-à-dire mes instructions aux IA, mes mails et une bonne partie de mes notes. Revenir au clavier pour un texte long ressemble maintenant à une corvée. C'est typiquement l'outil tout bête dont on comprend l'intérêt le jour où on le désinstalle.

Deux choses qui coincent quand même

La première, c'est le nuage. Wispr Flow n'a pas de mode hors ligne : chaque phrase que tu prononces part sur des serveurs, puis revient sous forme de texte. Il existe un mode confidentialité qui garantit que l'audio et la transcription ne sont pas conservés. Très bien. Mais ça ne change rien au trajet : ta voix sort quand même de chez toi. Avant de dicter un mot de passe ou un compte rendu médical, réfléchis trois secondes.

La seconde, c'est le prix. Et là, je râle. L'abonnement coûte 15 dollars par mois, ou 12 dollars par mois si tu paies à l'année. Soit 144 dollars par an pour transformer de la voix en texte. Pris seul, ce n'est pas cher pour le service rendu. Le problème, c'est que plus rien n'est jamais pris seul.

Chaque carte est raisonnable. C'est la pile qui pose problème.

C'est l'abonnement de trop, juste après l'abonnement de trop précédent. Une IA pour discuter, une autre pour coder, du stockage en ligne, une suite bureautique, de la musique, et maintenant un abonnement pour parler. Chacun se justifie très bien tout seul. Une fois additionnés, ils finissent par faire un loyer. Le logiciel est passé de « j'achète un outil » à « je loue le droit de m'en servir ». Je ne me souviens pas qu'on m'ait demandé mon avis.

Les portes de sortie, parce qu'il y en a

Bonne nouvelle, tu n'es pas obligé de payer pour dicter.

• La solution la plus simple est déjà installée chez toi. Sur Windows 11, les touches Win + H ouvrent la saisie vocale. Sur Mac, la dictée se trouve dans les réglages du clavier. C'est gratuit, ça fonctionne et ça ajoute même la ponctuation. En revanche, le système ne nettoie pas tes hésitations. Tes « euh » finissent donc à l'écran.
• Pour profiter du nettoyage sans abonnement, VoiceInk est open source, ce qui signifie que son code est accessible. Il fonctionne entièrement sur ta machine avec un modèle Whisper installé en local et coûte 29 dollars, une fois pour toutes. Rien ne sort de ton ordinateur. Son défaut, c'est sa compatibilité : il fonctionne uniquement sur les Mac équipés d'une puce Apple.
• Entre les deux, SuperWhisper permet de choisir entre un traitement local et un traitement dans le nuage. Il offre plus de réglages, mais demande aussi un peu plus de configuration avant de devenir vraiment utile.

Mon conseil, puisque j'y suis : paie un mois d'abonnement pour comprendre pourquoi les gens deviennent accros. Ensuite, regarde si une solution locale ne fait pas 90 pour cent du travail avec un paiement unique. Dans les deux cas, tu ne taperas plus jamais un long prompt au clavier.

Et le rapport avec MAI-Realtime dans tout ça ? La dictée est une version simplifiée du problème que Microsoft et OpenAI essaient de résoudre. Faire écrire une machine sous la dictée, c'est réglé. Lui faire tenir une vraie conversation, avec des silences, des interruptions et des changements d'avis, c'est beaucoup plus compliqué. La version simple fonctionne déjà, et tu peux l'utiliser dès ce soir.

Concrètement, ça change quoi pour toi

Trois choses. La troisième n'est pas une bonne nouvelle.

1. Tu vas pouvoir couper la parole à ta machine

Aujourd'hui, quand ton assistant lance une réponse de trente secondes qui ne correspond pas à ta question, tu as deux options. Tu attends poliment, ou tu arrêtes tout pour recommencer depuis le début. Avec un modèle qui t'écoute pendant qu'il parle, tu dis simplement « non, attends » et il s'arrête. Comme un humain. Sur le papier, ça paraît minuscule. À l'usage, ça change tout.

2. La voix devient utilisable quand tu as les mains prises

C'est la vraie promesse. En voiture, en cuisinant, en bricolant ou avec un enfant dans les bras, le clavier n'est pas une option. Pourtant, utiliser la voix reste aujourd'hui une corvée. On articule comme un présentateur radio, on attend, puis on répète. Descendre à deux dixièmes de seconde, c'est le moment où parler à une machine cesse d'être un exercice. On parle, tout simplement.

3. Les centres d'appels sont la vraie cible, et il faut le dire

Regardons qui paie pour ce genre de modèle. Ce n'est pas toi. Ce sont les entreprises qui répondent au téléphone toute la journée. Un assistant qu'on peut interrompre naturellement et qui ne laisse pas de blanc gênant ressemble davantage à un humain au bout du fil. C'est précisément le but.

J'ai un avis là-dessus, et je l'assume. Le progrès technique est réel. La question de savoir si l'on te prévient que tu parles à une machine l'est tout autant. Ce n'est plus un problème de laboratoire. C'est un problème qui peut t'appeler directement chez toi.

Ce que j'en pense

Ce qui me frappe le plus, c'est la discrétion. Selon cette fuite, Microsoft teste un modèle capable de tenir une conversation naturelle en dix-sept langues. Pourtant, il apparaît sans fiche technique, dans un coin d'un outil interne. Il y a deux ans, on aurait eu une conférence, une vidéo bien léchée et trois heures de démonstration.

Il y a deux lectures possibles. Soit Microsoft n'est pas encore convaincu que le modèle tient la route et préfère le faire tester discrètement. Soit ce genre de sortie est devenu si banal qu'il ne mérite même plus un communiqué. Cette seconde hypothèse me semble la plus probable. C'est aussi la plus vertigineuse.

Je ne vais pas me réjouir trop vite. Un modèle repéré dans un terrain de jeu interne n'est pas un produit annoncé. Entre les deux, il reste la tarification, les garde-fous, la disponibilité en Europe et cette bonne vieille habitude d'enterrer les projets sans prévenir. Rendez-vous dans six mois pour voir si Victoria et Grant existent encore.