Deux lancements en IA vocale comptent plus, pour les acheteurs de robots, que n'importe quelle mise à jour de chatbot : Mistral AI a publié Voxtral 3, et ElevenLabs a publié ses nouveaux modèles Eleven Realtime. Les deux visent le même problème : une conversation parlée rapide et naturelle. C'est aussi l'un des problèmes les plus difficiles à résoudre pour qu'un robot compagnon ou humanoïde donne l'impression d'écouter, et pas seulement de traiter une requête.
Juger un robot humanoïde sur ses seules spécifications passe à côté de l'essentiel. Les degrés de liberté des bras et l'autonomie de la batterie sont fixés à l'usine. La couche vocale, elle, est souvent un logiciel sous licence posé par-dessus : elle peut prendre du retard, s'améliorer, ou être remplacée indépendamment du matériel. Deux entreprises viennent de faire avancer cette couche en même temps.
Ce que Mistral a livré
Selon MarkTechPost, Mistral AI a publié Voxtral 3 : une famille de trois modèles de transcription, un modèle de synthèse vocale (text-to-speech), et un SDK d'agent vocal basé sur LiveKit. The Decoder précise que l'ensemble combine reconnaissance vocale et synthèse vocale, prend en charge plus de 50 langues, et est conçu pour qu'un agent écoute, réfléchisse et parle en temps réel, soit exactement la boucle dont un robot conversationnel a besoin pour éviter les blancs entre une question et sa réponse.
Côté précision, MarkTechPost rapporte que le modèle Voxtral Small Transcribe 3 de Mistral obtient un taux d'erreur de mots AA-WER de 2,1 %, ce qui le place troisième sur Artificial Analysis. Cette mesure indique la fiabilité avec laquelle le système vous comprend, pas la rapidité de sa réponse.
Ce qu'ElevenLabs a livré
ElevenLabs a publié deux nouveaux modèles Eleven Realtime de conversion voix-à-voix (speech-to-speech), destinés aux conversations IA en temps réel, selon The Decoder. La variante v1 Max obtient un score de 98,8 % sur le benchmark Big Bench Audio, avec un temps de réponse de 0,57 seconde. ElevenLabs affirme qu'aucun autre modèle n'égale actuellement ses nouveaux Eleven Realtime en combinant vitesse et précision, mais il s'agit là d'une revendication de l'entreprise elle-même, pas d'une comparaison indépendante.
Un temps de réponse de 0,57 seconde compte davantage pour un robot que pour un chatbot textuel. Un écran peut tolérer quelques secondes d'indicateur de frappe ; un robot qui se tient devant vous, non. Une réponse qui traîne donne l'impression d'une machine qui cale, pas d'une machine qui réfléchit.
Pourquoi c'est là que se joue le vrai combat, pas au niveau du chatbot
Ni Mistral ni ElevenLabs ne fabrique de robots. Les deux produisent des technologies vocales que les fabricants de robots peuvent licencier ou intégrer, et la pile qui finira sous la marque d'un robot donné se verra directement dans sa gestion des interruptions, des silences et des échanges à plusieurs tours, bien avant que quoi que ce soit ne se joue au niveau de son châssis.
Cela a une conséquence pratique pour les acheteurs : deux robots aux bras et capteurs quasi identiques peuvent donner une impression de conversation totalement différente, parce que l'écart se situe dans le pipeline vocal, pas dans le corps. Notre sélection des meilleurs humanoïdes et notre suivi des prix couvrent le volet matériel ; la couche vocale est la partie qu'une fiche technique ne montre pas, et c'est celle qui évolue le plus vite en ce moment.
Une mise en garde, rapportée par The Next Web : l'ex-chercheur de DeepMind Thore Graepel a lancé à Londres un laboratoire d'IA, Metis Reasoning, fondé sur l'idée qu'on ne peut pas faire confiance aux grands modèles de langage pour raisonner. C'est une remise en cause directe de l'étape de « réflexion » autour de laquelle est construit le SDK d'agent vocal de Voxtral 3, et un rappel qu'une reconnaissance et une synthèse vocales rapides et précises (ce que mesurent les benchmarks d'Eleven Realtime) ne garantissent pas en soi la solidité du raisonnement derrière les réponses d'un robot.
Le mouvement parallèle : les assistants vocaux quittent le téléphone
Le même virage s'opère au-delà des robots. The Verge rapporte que Google déploie dans les voitures une version plus personnalisée de Gemini, « Personal Intelligence », qui permet à l'assistant de s'appuyer sur Gmail, Calendar et Maps pour contextualiser ses réponses. Catégorie de produit différente, même mouvement de fond : l'IA conversationnelle passe de l'écran du téléphone aux appareils auxquels on parle directement, là où la vitesse de réponse et le contexte comptent le plus.
Ce qu'il faut vérifier avant d'acheter
Pour qui achète un robot compagnon ou humanoïde spécifiquement pour la qualité de la conversation, deux questions comptent plus que l'argumentaire marketing :
- Quelle pile vocale le robot utilise-t-il réellement, et est-elle nommée quelque part dans la fiche technique ou la documentation ?
- La démonstration repose-t-elle sur un scénario écrit et à faible latence, ou le temps de réponse annoncé correspond-il à ce que rapportent des benchmarks indépendants ?
Voxtral 3 et Eleven Realtime sont, à l'heure actuelle, les deux piles qui donnent le tempo en matière de latence et de précision. Aucune des deux n'est un robot. Les deux ont vocation à se retrouver dans plusieurs d'entre eux, ce qui suffit à justifier de suivre cette couche d'aussi près que le matériel : jugez ce qu'un robot peut réellement faire et livrer, pas ce qu'il a démontré sur scène. Pour un suivi continu, consultez notre actualité robotique.