L’essentiel
- OpenAI a lancé GPT-Live, une génération de modèles vocaux à architecture full-duplex qui écoute et parle en même temps.
- Pour les questions difficiles, GPT-Live délègue en arrière-plan à GPT-5.5 et continue de vous parler pendant ce temps.
- Sur BrowseComp, test de recherche web en mode agent, GPT-Live-1 atteint 75,2 % contre 0,7 % pour l’ancien mode vocal avancé.
Vous parlez à voix haute à ChatGPT, vous lui glissez une question pointue, et la réponse tombe juste, à jour, sans ce blanc gênant qui trahissait la machine. Comment un modèle vocal, jusqu’ici réputé pour bâcler le raisonnement, y arrive-t-il d’un coup ? La réponse tient moins à sa voix qu’à ce qu’il fabrique quand vous ne l’entendez pas.
OpenAI a présenté le 8 juillet GPT-Live, décrit comme sa génération de modèles vocaux la plus intelligente. Deux déclinaisons arrivent en même temps : GPT-Live-1 pour les abonnés payants (Go, Plus, Pro) et GPT-Live-1 mini pour les comptes gratuits, sur iOS, Android et le web, l’accès par API étant annoncé pour bientôt. Mais l’essentiel ne se joue pas dans le catalogue des offres.
Parler et écouter dans le même souffle
Commençons par la question naïve : qu’est-ce qui change réellement quand on parle ? L’ancien mode vocal fonctionnait en tour de rôle rigide, vous parliez, il répondait, chacun son tour, comme un talkie-walkie. GPT-Live adopte une architecture dite full-duplex : le modèle écoute et parle en même temps, à la manière de deux personnes qui se coupent, s’encouragent, rebondissent.
Concrètement, OpenAI explique que le système prend plusieurs décisions par seconde : parler, continuer d’écouter, marquer une pause, vous interrompre ou déclencher un outil. Il peut lâcher un « mhmm » ou un « d’accord » pour signaler qu’il suit, et vous laisse l’interrompre, prendre le temps de réfléchir ou lui demander de ralentir. L’échange sonne alors moins comme une commande vocale que comme une conversation. Dans les comparaisons internes d’OpenAI, les utilisateurs ont préféré GPT-Live-1 à l’ancien mode vocal avancé dans 75,7 % des cas.
Quand la voix passe la main à GPT-5.5
Voilà le mécanisme qui mérite qu’on s’y arrête. Un modèle capable de tenir une conversation en temps réel est, par nature, léger et rapide : il ne peut pas se permettre de réfléchir longuement sans casser le rythme. C’est précisément ce qui rendait les assistants vocaux décevants dès qu’on sortait du bavardage.
GPT-Live coupe le problème en deux. Dès qu’une question réclame une recherche web, un raisonnement poussé ou une tâche complexe, il la délègue en arrière-plan à un modèle bien plus puissant, aujourd’hui GPT-5.5. Pendant que ce modèle travaille, la voix continue de vous parler, entretient le fil, puis réinjecte le résultat quand il est prêt. Vous pouvez même choisir un niveau de raisonnement, d’« Instant » pour une réponse immédiate à « High » quand la question mérite qu’on la laisse mûrir.
L’analogie tient en un mot : standardiste. GPT-Live joue l’accueil qui vous garde en ligne pendant qu’il transfère l’appel à l’expert du fond du couloir. Vous n’entendez jamais le transfert.
L’ancien mode vocal ne savait pas chercher
Les chiffres donnent l’ampleur du décrochage qu’on vient de corriger. Sur GPQA, un test de raisonnement scientifique, GPT-Live-1 atteint 84,2 % de bonnes réponses au niveau de raisonnement élevé, contre 45,3 % pour l’ancien mode vocal avancé. Sur BrowseComp, qui mesure la recherche web en mode agent, l’écart devient vertigineux : 75,2 % pour GPT-Live-1, contre 0,7 % pour son prédécesseur. Même la version mini grimpe à 31,6 %.
Ce 0,7 % raconte tout : l’ancien mode vocal ne savait tout simplement pas chercher. Il répondait avec ses seules connaissances, arrêtées à l’ère GPT-4o et à une base figée en 2024. La délégation ne rend pas la voix plus savante, elle la branche sur un cerveau qui, lui, l’est.
La voix passe du modèle à l’interface
C’est là que l’annonce dépasse le simple confort d’usage. OpenAI précise que l’architecture est pensée pour que GPT-Live reste connecté en permanence aux modèles les plus récents : quand un nouveau modèle de pointe sortira, il remplacera GPT-5.5 en coulisses, sans que la voix change.
Autrement dit, la voix n’est plus un modèle qu’on entraîne et qu’on fige. C’est une interface, une couche de routage posée devant une pile d’intelligence interchangeable. On sépare ce qui doit être rapide, l’échange, de ce qui doit être puissant, le raisonnement. Google fait le pari inverse : son Gemini 3.1 Flash Live fond écoute, raisonnement et synthèse dans un seul modèle audio-à-audio, là où OpenAI cloisonne l’échange et la réflexion. La conséquence pour ceux qui construisent des produits est nette : l’interface conversationnelle et le moteur de réflexion n’ont plus à cohabiter dans le même modèle, ni à vieillir au même rythme.
Restent les absents du lancement : ni vidéo ni partage d’écran pour l’instant, promis pour plus tard, et une API encore en liste d’attente. La brique est posée, elle n’est pas encore ouverte à tous.
Mon avis
OpenAI vient de séparer l’interface de l’intelligence, et c’est ça qui compte, pas la nouvelle voix. La voix n’a plus besoin d’être savante, elle doit être un bon standardiste qui sait à qui passer l’appel. Je m’attends à ce que tous les assistants vocaux copient ce découpage d’ici un an, parce qu’il règle d’un coup ce qui les rendait inutilisables : le modèle temps réel était toujours en retard d’une génération. Le risque, lui, reste masqué : votre conversation dépend désormais d’un aller-retour réseau vers un gros modèle, et le jour où il rame, c’est votre standardiste qui meuble.
