Agent vocal IA
Ce n’est qu’autour de cent millisecondes de latence que la parole devient une conversation. On voit quelles conversions la chaîne voix-à-voix de bout en bout évite face au montage ASR vers TTS, et comment la gestion des tours et les appels d’outils font passer la voix de la parole à l’action.
L’ancienne chaîne transcrit, raisonne, puis parle : lente, cassée par les interruptions. La voix-à-voix de bout en bout regroupe ces étapes : Chroma 1.0 répond en moins de 150 ms, Step-Audio-R1.1 descend à environ 1,51 s pour le premier son. L’expérience se joue ensuite sur la gestion des tours, qui décide de répondre ou d’écouter, et sur les appels d’outils, pour chercher et réserver. Le critère passe d’une voix humaine à la tâche accomplie.
