OpenAI ouvre l’API GPT-Live-1, capable d’écouter et de parler en même temps

OpenAI a rendu disponible l’API GPT-Live-1, un modèle vocal conçu pour écouter et générer de la parole simultanément. Cette fonction, dite « full-duplex », permet à un utilisateur d’intervenir pendant que l’application répond, afin de réduire les interruptions artificielles et de rendre les échanges plus proches d’une conversation orale naturelle.

Une API au-delà de ChatGPT

Le modèle avait été présenté en juillet et était d’abord intégré à l’interface de ChatGPT. Il devient désormais accessible aux développeurs via des appels d’API. OpenAI le présente comme une évolution de son Realtime API, introduit en 2024, avec un objectif plus large que la simple conversion de texte en voix : permettre la création d’applications conversationnelles plus fluides, notamment dans la téléphonie, le tutorat, le service client et les réservations.

Le modèle vocal peut être associé à différents modèles back-end selon l’usage. Ces derniers peuvent effectuer les recherches d’informations, l’appel d’outils et la gestion des tâches, avec des choix allant de GPT-6 Astra à des options moins coûteuses pour les activités répétitives. OpenAI affirme que les développeurs peuvent également personnaliser la manière dont les utilisateurs interagissent avec l’application vocale et les workflows associés.

Des résultats annoncés en forte progression

Selon les évaluations d’OpenAI, GPT-Live-1 atteint 80,1 % dans un test d’interactivité full-duplex, contre 45,4 % pour GPT-Realtime-2.1. Le délai de reprise de la parole descendrait à 0,8 seconde, contre 1,4 seconde, tandis que la précision des appels d’outils passerait à 87 %, contre 60 %. Sur un benchmark vocal consacré au support bancaire, le nouveau modèle obtiendrait 32 % de réponses réussies, contre 12,4 % pour le modèle précédent.

Dans le benchmark Tau3, qui évalue des agents vocaux pour des secteurs comme les compagnies aériennes, la grande distribution et les télécommunications, GPT-Live-1 marquerait 86,2 %, devant GPT-Realtime-2.1, à 45,7 %, et GPT-Realtime-2, à 42,4 %. Ces chiffres proviennent des évaluations communiquées par OpenAI ; les sources ne décrivent pas de contrôle indépendant du protocole de test.

Une évaluation préliminaire citée par OpenAI indique aussi que, chez Speak, un service de tutorat linguistique, le modèle aurait réduit les interruptions de près de 80 % par rapport aux systèmes précédents fondés sur une prise de parole alternée. Les apprenants disposeraient ainsi de davantage de temps pour réfléchir avant la réponse du tuteur.

Une adoption encore limitée à documenter

Yelp utilise GPT-Live-1 dans Yelp Host, son service de réservations de restaurants par téléphone. La direction de l’entreprise affirme que les appels sont plus conversationnels et plus réactifs, qu’ils permettent de capter des opportunités de chiffre d’affaires et que le personnel peut se concentrer davantage sur l’accueil des clients. Alex Levy, directeur technique de Yelp, a également indiqué que le modèle améliorait la gestion des appels, selon The Decoder.

Le Register relève toutefois que Yelp ne précise pas si les clients apprécient réellement ces échanges plus libres ou s’ils les acceptent simplement parce qu’ils évitent d’attendre au téléphone. Les bénéfices commerciaux annoncés restent donc à apprécier au-delà des premiers retours des entreprises concernées.

Coût, voix et documentation

GPT-Live-1 propose douze nouvelles voix couvrant différents accents, dialectes et langues. Les transcriptions issues de la reconnaissance automatique de la parole et le texte des réponses sont fournis directement. Les détails techniques complets doivent être publiés dans la documentation de l’API.

Le tarif annoncé est de 0,05 dollar par minute d’utilisation, auquel s’ajoute le coût du modèle back-end choisi. Des voix personnalisées peuvent être négociées avec l’équipe commerciale d’OpenAI. Le modèle est également disponible via OpenAI Presence, la plateforme d’agents destinée aux entreprises.

L’arrivée de GPT-Live-1 dans une API élargit donc la possibilité de construire des services vocaux plus naturels et réactifs. Son intérêt pratique dépendra cependant du coût global, de la qualité des intégrations et de l’acceptation des utilisateurs dans des contextes sensibles comme le service client ou la réservation téléphonique.