GPT-Live : OpenAI lance la voix full-duplex et veut remplacer le téléphone de bureau

Le mode s'appelle GPT-Live. OpenAI l'a déployé le 13 juin 2025 pour les abonnés ChatGPT Plus, Team et Enterprise, avec un accès progressif sur les applications iOS, Android et desktop. Le principe : une conversation vocale en temps réel avec le modèle, où l'utilisateur peut interrompre, compléter, changer de sujet sans que le système attende un signal de fin de tour de parole. Full-duplex, comme un appel téléphonique. Pas comme un talkie-walkie.

La démonstration mise en avant par OpenAI est un appel de 22 minutes entre un développeur et le modèle, publié sans montage sur le blog officiel. Le développeur pose des questions sur du code Python, se reprend, reformule, coupe la parole au modèle. Le modèle encaisse, reprend, ajuste. La latence annoncée est inférieure à 320 millisecondes. OpenAI ne précise pas dans quelles conditions réseau ce chiffre a été mesuré.

Sous le capot

GPT-Live repose sur une architecture audio-native, distincte du pipeline speech-to-text puis text-to-speech utilisé jusqu'ici par le mode vocal classique de ChatGPT. Le modèle traite directement le signal audio en entrée et génère un flux audio en sortie, sans passer par une transcription textuelle intermédiaire. OpenAI avait présenté cette approche avec GPT-4o Voice en mai 2024, puis retardé le lancement à plusieurs reprises — la première date annoncée était l'automne 2024 — en invoquant des problèmes de sécurité liés à la reproduction de voix de personnalités.

La différence avec le mode vocal précédent n'est pas seulement le full-duplex. Le modèle gère maintenant ce qu'OpenAI appelle le "turn-taking implicite" : il détecte les hésitations, les silences, les reprises de souffle, et décide quand intervenir sans instruction explicite. Kevin Weil, Chief Product Officer d'OpenAI, a déclaré à TechCrunch que "le modèle comprend les signaux sociaux de la parole, pas seulement les mots". En pratique, cela signifie que le modèle peut choisir de ne pas répondre immédiatement quand il détecte que l'utilisateur n'a pas fini de réfléchir. Ou qu'il le croit.

Cinq voix, un seul modèle

Le lancement s'accompagne de cinq voix synthétiques — trois féminines, deux masculines — toutes produites par des acteurs vocaux sous contrat. OpenAI a précisé que les voix avaient été enregistrées en studio pendant plusieurs semaines, mais n'a pas publié les contrats ni les montants. Scarlett Johansson n'est pas dans la liste. On se souvient qu'en mai 2024, l'actrice avait publiquement accusé OpenAI d'avoir utilisé une voix "étrangement similaire" à la sienne pour la démo de GPT-4o, ce qui avait conduit au retrait de la voix "Sky".

Le modèle supporte l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais au lancement. Le mandarin et l'arabe sont annoncés pour le troisième trimestre 2025 sans date précise. OpenAI revendique une couverture "native" de ces langues — pas une traduction à la volée — mais n'a pas publié de benchmark comparatif sur la qualité de compréhension entre langues.

Ce qui existe déjà

Google a lancé Gemini Live en août 2024, avec une architecture similaire : audio-native, full-duplex, intégrée à l'application Gemini sur Android. Le mode est disponible gratuitement pour tous les utilisateurs Android depuis février 2025. Amazon a mis à jour Alexa avec un mode conversationnel continu en mars 2025, et Meta a intégré une fonction vocale en temps réel dans ses lunettes Ray-Ban en partenariat avec EssilorLuxottica, opérationnelle depuis avril 2025.

La différence qu'OpenAI met en avant : GPT-Live peut accéder à l'ensemble des outils de ChatGPT pendant la conversation — recherche web, exécution de code, analyse de fichiers, génération d'images. "Vous pouvez lui demander de chercher un document, de l'analyser et de vous en faire un résumé vocal pendant que vous conduisez", a expliqué Weil. Gemini Live ne peut pas exécuter de code pendant un échange vocal. Alexa ne peut pas analyser un PDF.

La ligne "Disponibilité API entreprise" mérite qu'on s'y arrête. Google propose déjà l'accès à Gemini Live via Vertex AI pour les développeurs d'applications professionnelles. OpenAI annonce une API Realtime "améliorée" pour le troisième trimestre 2025, sans grille tarifaire. Amazon a tout simplement arrêté Alexa for Business en septembre 2024.

Le prix

GPT-Live est inclus dans les abonnements ChatGPT Plus (20 dollars par mois) et Team (25 dollars par utilisateur et par mois). Les utilisateurs Enterprise et Edu y auront accès "dans les semaines suivantes", selon le billet de blog d'OpenAI. Le mode consomme les mêmes crédits d'utilisation que les requêtes GPT-4o classiques, mais OpenAI n'a pas communiqué de ratio de consommation. Une minute de conversation vocale coûte-t-elle l'équivalent d'une requête texte ? De dix ? La question n'est pas documentée.

Pour l'API Realtime, la tarification actuelle — celle du mode vocal précédent, pas encore GPT-Live — est de 100 dollars pour un million de tokens audio en entrée et 200 dollars en sortie. À titre de comparaison, un million de tokens texte en GPT-4o coûte 2,50 dollars en entrée. Le vocal coûte quarante fois plus cher. Reuters rapporte qu'OpenAI prévoit de réduire ce ratio "significativement" avec la nouvelle version de l'API, sans avancer de chiffre.

Ce qui n'est pas dans l'annonce

Aucune mention de conformité RGPD dans le communiqué ni dans la documentation technique publiée le jour du lancement. Le traitement audio se fait sur les serveurs d'OpenAI — pas de traitement on-device. Les conversations vocales sont-elles stockées ? Pendant combien de temps ? Utilisées pour l'entraînement ? La page de confidentialité de ChatGPT indique que les conversations vocales "peuvent être utilisées pour améliorer les modèles" sauf désactivation manuelle dans les paramètres. Pour un déploiement en entreprise européenne, c'est un sujet qui n'est pas résolu par un billet de blog.

Pas de mention non plus d'intégration avec les systèmes de téléphonie d'entreprise — SIP, Microsoft Teams Voice, Cisco Webex Calling. Le scénario "remplacer un SVI par GPT-Live" est celui que les équipes commerciales d'OpenAI présentent en rendez-vous, selon deux sources proches de clients grands comptes français. Mais rien dans la documentation actuelle ne le permet sans développement sur mesure via l'API, qui elle-même n'est pas encore mise à jour.

Lors d'une session de questions-réponses avec des journalistes le 13 juin, Sam Altman a évoqué "la fin du clavier comme interface principale" et décrit GPT-Live comme "la façon dont les gens vont interagir avec l'intelligence artificielle dans deux ans". En mai 2023, il décrivait GPT-4 comme "le modèle le plus capable et le plus aligné" qu'OpenAI ait jamais produit. En interne, selon des documents consultés par The Information, GPT-4 avait été évalué comme insuffisant sur 23 % des tâches de raisonnement logique du benchmark interne d'OpenAI.

320 millisecondes

Le chiffre de latence — "inférieure à 320 ms" — provient d'un test interne OpenAI réalisé sur le réseau de leur datacenter Azure aux États-Unis, confirmé par un porte-parole à CNBC. Ce chiffre mesure le délai entre la fin d'une phrase de l'utilisateur et le début de la réponse audio du modèle. Il n'inclut pas le temps de "compréhension du contexte conversationnel", qui ajoute un délai variable non quantifié. En comparaison, la latence moyenne d'un appel téléphonique classique sur réseau 4G est de 50 à 100 millisecondes. Un être humain perçoit un délai conversationnel comme naturel en dessous de 200 millisecondes, selon une étude de 2019 du Max Planck Institute for Psycholinguistics publiée dans Cognition.

Autrement dit, GPT-Live est plus lent qu'un interlocuteur humain. Le seuil est suffisant pour que la conversation reste fluide — on est loin des deux à trois secondes du mode vocal précédent — mais on n'est pas dans la zone où l'utilisateur oublie qu'il parle à une machine.

Un développeur indépendant basé à Lyon, qui a testé le mode dès sa mise en ligne le 13 juin à 19 heures heure française, a noté sur X (ex-Twitter) que la latence perçue était "très variable — parfois instantanée, parfois une bonne demi-seconde, surtout quand on lui demande de chercher quelque chose sur le web en même temps".

Le marché des centres de contact

Le cas d'usage que tout le monde regarde, c'est le centre de contact. Gartner estimait en mars que 14 % des interactions avec les centres de contact seraient gérées par des agents IA vocaux d'ici fin 2026, contre 2 % en 2024. Le marché des solutions de centre de contact cloud (CCaaS) est évalué à 17,4 milliards de dollars en par IDC.

Les acteurs en place — Genesys, NICE, Five9, Talkdesk — ont tous intégré ou annoncé des agents vocaux IA dans les douze derniers mois. Genesys utilise Google Cloud pour ses agents vocaux. NICE a développé sa propre stack. Five9 a signé un partenariat avec OpenAI en novembre 2024 pour intégrer les modèles vocaux dans sa plateforme, mais le déploiement commercial se fait attendre.

Avec GPT-Live, OpenAI se positionne en fournisseur de brique technologique pour ces acteurs, mais aussi — potentiellement — en concurrent. La frontière entre "plateforme" et "produit" est la même tension qu'OpenAI entretient depuis le lancement de ChatGPT en novembre 2022 : chaque amélioration du produit grand public rend plus difficile la vie des startups qui construisent sur l'API.

Thomas Kurian, CEO de Google Cloud, a déclaré lors de Google Cloud Next en avril que "la voix est le prochain champ de bataille de l'IA en entreprise". Il vendait les services de Google Cloud. Mais il n'avait pas tort.