On juge encore une voix de synthèse à son grain, à son réalisme, à ce petit frisson qui fait oublier la machine. Pourtant, quiconque a déjà construit un agent vocal le sait : ce n’est pas là que tout se joue.
Cartesia vient de publier deux modèles, Sonic 3.5 pour la synthèse vocale (TTS, text-to-speech) et Ink 2 pour la transcription (STT, speech-to-text), pensés non pas comme deux briques séparées mais comme une seule pile temps réel. L’entreprise affirme être le seul fournisseur à occuper la première place sur les deux versants à la fois : parler et écouter. Le récit dominant retient surtout les classements et la qualité du rendu. Il passe à côté de l’essentiel.
La conversation casse dans les silences, pas dans le timbre
Quand une démo de voix IA déçoit, c’est rarement parce que la voix sonne faux. C’est parce qu’elle vous coupe la parole, ou parce qu’elle laisse un blanc gênant avant de répondre. Ce délai, cette hésitation à savoir qui parle, c’est la latence perçue, celle qui ruine l’illusion d’un échange naturel.
Cartesia annonce environ 82 ms pour le premier son émis par Sonic 3.5, et place Ink 2 en tête du classement de précision en transcription temps réel établi par Artificial Analysis, un organisme d’évaluation indépendant. Ces chiffres sont impressionnants, mais le vrai geste est ailleurs : avoir conçu les deux modèles pour fonctionner ensemble, d’un seul tenant.
Le pari architectural : le state-space contre le transformeur
Les deux modèles reposent sur une architecture dite state-space, et non sur le transformeur qui domine l’essentiel des modèles de langage actuels. La nuance compte. Là où un transformeur regarde l’ensemble du contexte à chaque étape (avec un coût qui grimpe vite), un modèle state-space traite le flux de façon plus séquentielle, mieux adaptée à un signal qui défile en continu, comme la voix.
Le résultat ? Une latence basse non par optimisation arrachée à la marge, mais par construction. C’est un choix de fond, pas un réglage. Et il trahit une conviction : pour la voix temps réel, la course à la taille du modèle compte moins que la capacité à suivre le rythme d’une conversation humaine.
Moins de briques, moins de points de rupture
Le détail le plus parlant pour qui orchestre l’IA au quotidien tient en une phrase de l’annonce : Ink 2 intègre nativement la détection du tour de parole (turn detection) et une robustesse au bruit. Concrètement, deux briques disparaissent de la pile d’un agent vocal :
- le modèle séparé de détection d’activité vocale (VAD, voice activity detection), qui devine quand l’utilisateur a fini de parler ;
- le réducteur de bruit placé en amont pour nettoyer le signal.
Chaque brique retirée, c’est une dépendance en moins, un appel réseau en moins, une source de latence et de bugs en moins. Quiconque a assemblé un pipeline vocal connaît la fragilité de ces chaînes où VAD, débruitage, transcription et synthèse se passent le relais. Simplifier la pile n’est pas un détail de confort : c’est souvent ce qui sépare une démo d’un produit qui tient en production. Cartesia n’avance pas seule sur ce terrain : Deepgram a lui aussi troqué le seuil de silence contre une détection de fin de tour sémantique, et OpenAI pousse la logique plus loin encore avec un modèle unique parole-à-parole qui supprime d’emblée toute la chaîne transcription-synthèse.
Les zones d’ombre qu’on ne vous montre pas en démo
Restons lucides. Sonic 3.5 couvre 42 langues, dont neuf langues indiennes, sait lire proprement un numéro de téléphone ou un code de confirmation, gère les homographes selon le contexte et clone une voix à partir d’un court échantillon. Cette dernière capacité, séduisante sur le papier, rouvre toute la question du consentement et de l’usurpation vocale : cloner une voix depuis quelques secondes d’audio, c’est aussi un outil rêvé pour la fraude.
Surtout, l’asymétrie mérite d’être soulignée. Là où Sonic parle 42 langues, Ink 2 ne fonctionne aujourd’hui qu’en anglais, ajusté pour les accents. Pour un agent réellement multilingue de bout en bout, la pile unifiée se fissure : vous écoutez en anglais, mais vous ne pouvez pas encore transcrire dans les dizaines de langues que vous savez synthétiser. Hors anglais, la promesse d’une pile temps réel complète devra attendre.
Ajoutons une réserve de méthode : ces classements et ces mesures de latence émanent en partie de l’éditeur lui-même. Un benchmark indépendant comme Artificial Analysis apporte un contrepoids utile, mais le test grandeur nature reste celui de votre propre cas d’usage, avec votre bruit, vos accents, vos interruptions.
Et si le vrai terrain de jeu, c’était le rythme ?
Pendant des années, la bataille de la voix synthétique s’est livrée sur le réalisme du timbre. Cartesia déplace le front : moins le grain de la voix, davantage la fluidité de l’échange. C’est moins spectaculaire dans une vidéo de démo, mais infiniment plus décisif pour un assistant téléphonique, un agent de support ou un compagnon vocal qui doit tenir une vraie conversation.
La question n’est donc pas de savoir si une IA peut imiter une voix humaine, c’est désormais acquis. Elle est de savoir laquelle saura respecter nos silences, attendre son tour, et ne plus jamais nous couper la parole. Reste à voir si une architecture taillée pour le flux suffira à franchir ce dernier seuil, celui qui sépare une voix crédible d’un interlocuteur crédible.
