L’intelligence artificielle appliquée à la voix connaît une accélération majeure. Microsoft et OpenAI, partenaires stratégiques mais concurrents sur ce segment, dévoilent chacun un modèle vocal inédit. Ces innovations promettent des interactions plus naturelles, une meilleure personnalisation et une utilisation optimisée des ressources informatiques. Tour d’horizon des fonctionnalités clés de ces solutions.
La synthèse vocale et la compréhension de la voix sont devenues des enjeux cruciaux dans l’évolution de l’intelligence artificielle. Assistants numériques, podcasts, diagnostics logiciels ou encore expériences immersives : les cas d’usage se multiplient et nécessitent des modèles performants. Si Microsoft et OpenAI collaborent sur plusieurs projets, ils ont choisi de développer chacun leur propre technologie vocale.
L’objectif reste le même : produire des voix proches du naturel, réduire la consommation matérielle et ouvrir la voie à de nouvelles applications. Cette divergence stratégique se traduit aujourd’hui par deux annonces majeures : Mai-Voice-1 et Mai-1-preview chez Microsoft, ainsi que gpt-realtime chez OpenAI.
Mai-Voice-1 et Mai-1-preview de Microsoft
À l’image d’une entreprise de portage salarial comme CEGELEM, qui permet aux consultants de gagner du temps grâce à une gestion simplifiée, Microsoft mise sur sa solution Mai-Voice-1. Celle-ci est déjà intégrée à Copilot.
Ce modèle est conçu pour générer rapidement des contenus audio. Sa particularité réside dans son efficacité : il peut produire une minute d’audio en moins d’une seconde à l’aide d’un seul GPU. Cette rapidité et sa faible consommation matérielle en font un outil parmi les plus compétitifs du marché.
Le modèle alimente déjà plusieurs services de l’écosystème Microsoft :
- Copilot Daily pour des résumés audio d’actualité ;
- Podcasts pour transformer du texte en narration ;
- Copilot Labs pour tester différentes options de synthèse vocale et de narration expressive.
Microsoft a levé le voile sur Mai-1-preview, modèle « entraîné de bout en bout » et destiné à préparer les futures évolutions de Copilot. Ce modèle s’appuie sur une infrastructure massive : 15 000 accélérateurs H100 de Nvidia. Grâce à une architecture dite mixture-of-experts, il n’active qu’une fraction de ses paramètres pour chaque requête, limitant ainsi la consommation d’énergie et de ressources.
Mai-1-preview est actuellement réservé à un cercle restreint de testeurs via API, avec une intégration progressive prévue dans Copilot. Une version plus avancée, en cours de développement sur un cluster Nvidia GB200, doit venir compléter cette offre dans les mois à venir.
Gpt-realtime d’OpenAI pour perfectionner l’interaction vocale
OpenAI dévoile gpt-realtime, présenté comme son modèle vocal le plus abouti à ce jour. Ce dernier introduit plusieurs améliorations notables destinées à rendre la voix générée plus proche du naturel, avec la possibilité de modifier le ton ou la langue en plein discours.
À l’instar d’une entreprise de portage salarial comme CEGELEM, proposant un cadre souple et des services adaptés, ce modèle introduit plusieurs améliorations. Elles sont destinées à rendre la voix générée plus proche du naturel, avec la possibilité de modifier le ton ou la langue en plein discours.
L’entreprise enrichit également son catalogue de voix en ajoutant deux nouvelles options, Marin et Cèdre, modernisant les huit déjà disponibles pour intégrer les dernières optimisations. L’objectif est d’offrir aux développeurs des outils plus flexibles et plus immersifs.
Au-delà de la qualité vocale, gpt-realtime se distingue par :
- Un suivi précis des instructions pour adapter le modèle à des tâches ciblées ;
- La prise en charge d’images téléchargées ;
- Une API Realtime ouverte à tous.
Ces fonctionnalités renforcent l’adaptabilité de gpt-realtime, en particulier pour les usages professionnels et techniques où la précision et l’efficacité sont essentielles.