Mistral et HUMAIN annoncent une collaboration stratégique pour l'IA souveraine en Arabie saoudite
Mistral et HUMAIN annoncent une collaboration stratégique dans l'infrastructure IA.
Mistral et HUMAIN annoncent une collaboration stratégique dans l'infrastructure IA.
Hugging Face publie une recherche qui introduit trois tests pour quantifier l'optimisation aux benchmarks en reconnaissance vocale.
Motif de la recommandation :Trois sondes quantifient l'optimisation aux benchmarks en ASR et montrent que les meilleurs scores WER ne garantissent pas la fidélité au signal audio.
Google Research présente AMIE (Video), une configuration vidéo temps réel d'AMIE construite sur Gemini et Project Astra.
Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.
NVIDIA publie Magpie TTS Multilingue, un modèle à poids ouverts de 364M de paramètres couvrant 12 langues.
Motif de la recommandation :Le modèle open weights et les chiffres de latence par GPU permettent d'évaluer le coût d'un pipeline vocal auto-hébergé.
OpenAI détaille GPT-Live, un système permettant une interaction vocale continue avec l'IA grâce à un modèle vocal sans tours de parole et une architecture à faible latence. Ce modèle « turnless » vise des conversations plus rapides et plus naturelles, le tout développé en six mois.
avatarin s'appuie sur GPT-Realtime d'OpenAI pour offrir aux clients de Yamada Denki un support multilingue 24h/24 et 7j/7. En deux semaines.
OpenAI lance Presence, une plateforme d'agents IA d'entreprise éprouvée qui permet aux organisations de déployer des agents vocaux et de chat fiables pour les workflows clients et internes.
Cars24 s'appuie sur les agents vocaux et de chat propulsés par OpenAI pour traiter plus d'un million de minutes de conversation par mois et récupérer 12 % des leads perdus. L'entreprise déploie également des workflows agentiques auprès de ses équipes internes.
Hume présente Real World VoiceEQ, un benchmark conçu pour évaluer la qualité humaine des interactions vocales.
Motif de la recommandation :Le benchmark couvre plus de 40 modèles vocaux et 15 dimensions, avec des données d'évaluation humaine à grande échelle qui permettent de comparer les capacités réelles des systèmes vocaux.
Thinking Machines Lab a publié sur Hugging Face Inkling, un grand modèle de langage multimodal open source d'environ 1T de paramètres (975B au total.
Motif de la recommandation :L'article détaille l'architecture MoE, les variantes de quantification et le support d'inférence jour 0, ce qui aide à évaluer les besoins matériels et les options de déploiement.
OpenAI présente GPT-Live, une nouvelle génération de modèles vocaux destinés à l'interaction naturelle entre l'humain et l'IA, désormais utilisés par ChatGPT Voice.
Hugging Face et Cerebras présentent une démo de speech-to-speech temps réel construite sur une architecture ouverte et modulaire.
Motif de la recommandation :L'original expose une architecture vocale ouverte et modulaire avec les composants et le point d'accès au code, ce qui permet de juger comment assembler un pipeline speech-to-speech temps réel.
Hugging Face et Treble Technologies lancent le FFASR Leaderboard.
Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio capable de détecter automatiquement plus de 70 langues et de générer une traduction vocale naturelle en temps réel.
Motif de la recommandation :Le modèle prend en charge plus de 70 langues et est déployé sur l'API Gemini Live, Google Meet et Google Translate, ce qui permet de comparer les scénarios d'application de la traduction vocale en temps réel.
Google DeepMind publie Gemma 4 12B, un modèle multimodal conçu pour apporter l'intelligence agentique directement sur les ordinateurs portables.
Motif de la recommandation :L'architecture sans encodeur et l'exécution locale sur 16 Go de VRAM permettent de juger de l'impact sur les déploiements embarqués.
Hugging Face détaille comment faire tourner entièrement en local la conversation vocale de Reachy Mini.
Motif de la recommandation :Guide pas à pas pour exécuter localement toute la chaîne vocale de Reachy Mini, avec composants recommandés et options de déploiement interchangeables.
Parloa utilise les modèles OpenAI pour alimenter des agents IA de service client pilotés par la voix.
OpenAI a publié de nouveaux modèles vocaux en temps réel dans l'API, capables de raisonner.
Motif de la recommandation :L'original présente les nouvelles capacités des modèles vocaux en temps réel dans l'API OpenAI, ce qui permet de juger de leur impact sur les applications vocales existantes.
Uber s'appuie sur OpenAI pour alimenter des assistants IA et des fonctionnalités vocales destinés à aider les conducteurs à mieux gagner et les passagers à réserver plus rapidement sur sa place de marché mondiale en temps réel.
Hugging Face a intégré des datasets audio privés d'Appen Inc. et DataoceanAI à l'Open ASR Leaderboard afin de limiter les risques de benchmaxxing et de contamination des jeux de test. Ces données couvrent de l'anglais scripté et conversationnel sur plusieurs accents (australien, canadien, indien, américain, britannique), avec des durées allant de 1,02 h à 8,82 h selon les splits. Le WER moyen par défaut reste calculé uniquement sur les datasets publics, un toggle permettant d'inclure les datasets privés ; les scores par split ne sont volontairement pas publiés pour éviter les optimisations ciblées.
OpenAI a reconstruit sa pile WebRTC pour alimenter l'IA vocale en temps réel avec une faible latence.
NVIDIA publie Nemotron 3 Nano Omni, un modèle de compréhension omni-modal conçu pour l'analyse de documents.
Motif de la recommandation :L'original détaille l'architecture hybride Mamba-Transformer-MoE et les gains sur les benchmarks documents, vidéo et audio, ce qui permet de situer les capacités omni-modales ouvertes.
Google DeepMind annonce Gemini 3.1 Flash TTS, un nouveau modèle de synthèse vocale offrant un contrôle granulaire via des balises audio en langage naturel. Le modèle atteint un score Elo de 1 211 sur le classement TTS d'Artificial Analysis, prend en charge plus de 70 langues et le dialogue multi-locuteurs natif. Il est déployé en preview pour les développeurs via l'API Gemini et Google AI Studio, pour les entreprises sur Vertex AI, et pour les utilisateurs Workspace via Google Vids. Tous les audios générés sont marqués par SynthID.
Motif de la recommandation :Le nouveau modèle de synthèse vocale introduit des balises audio en langage naturel et un support de plus de 70 langues, avec un déploiement en preview via l'API Gemini et Vertex AI.
Google DeepMind publie Gemini 3.1 Flash Live, présenté comme son modèle audio et vocal de plus haute qualité.
Motif de la recommandation :Le modèle de voix de Google DeepMind améliore la précision et réduit la latence, avec des scores sur ComplexFuncBench Audio et Audio MultiChallenge qui permettent de situer les capacités de dialogue en temps réel.
Mistral AI publie Voxtral TTS, son premier modèle de synthèse vocale, léger avec 4B de paramètres et disponible via API à 0.
Motif de la recommandation :Mistral publie son premier modèle TTS avec architecture, latence et tarification détaillées, utile pour évaluer les briques vocales d'un agent.
Google Research présente WAXAL, un corpus vocal ouvert couvrant 27 langues d'Afrique subsaharienne parlées par plus de 100 millions de locuteurs dans plus de 26 pays. La publication inclut environ 1 846 heures d'audio transcrit pour la reconnaissance automatique de la parole (ASR) et plus de 565 heures d'enregistrements haute fidélité pour la synthèse vocale (TTS), sous licence CC-BY-4.0. Le projet, mené depuis 2021 avec des universités et organisations communautaires africaines, vise à soutenir la recherche et le développement de technologies vocales inclusives.
Motif de la recommandation :L'article détaille la composition et les licences d'un corpus vocal multilingue, utile pour évaluer la couverture des langues à faibles ressources.
Descript utilise les modèles de raisonnement d'OpenAI pour automatiser la localisation de vastes bibliothèques de contenus sans perdre le timing ni le sens. Cette approche permet le doublage vidéo multilingue à grande échelle.
Mistral AI publie Voxtral Transcribe 2, une famille de deux modèles de transcription vocale.
Motif de la recommandation :Deux modèles de transcription vocale sont publiés, dont un en open weights sous Apache 2.0, avec des chiffres de latence et de prix permettant de comparer les options existantes.
Google publie MedGemma 1.5 4B, une mise à jour de son modèle médical multimodal open source.
Motif de la recommandation :L'original détaille les nouvelles capacités d'imagerie médicale 3D et les benchmarks de MedGemma 1.5 4B, ainsi que le modèle vocal MedASR, ce qui permet de situer les progrès sur l'imagerie médicale de haute dimension.
Tolan a développé un compagnon IA vocal avec GPT-5.1, reposant sur des réponses à faible latence.
NVIDIA publie un tutoriel pas à pas pour construire un assistant personnel de bureau combinant DGX Spark et Reachy Mini.
Motif de la recommandation :Un guide pas à pas pour assembler un assistant de bureau avec DGX Spark et Reachy Mini, utile à ceux qui veulent reproduire un agent multimodal local.
Google DeepMind publie une mise à jour de Gemini 2.5 Flash Native Audio destinée aux agents vocaux en direct.
Motif de la recommandation :L'original expose les améliorations de l'appel de fonctions, du suivi d'instructions et du dialogue multi-tours, ainsi que les points d'accès ouverts, ce qui permet de juger de l'impact sur les agents vocaux.
Google Research décrit un modèle de traduction parole-à-parole de bout en bout qui génère directement l'audio traduit dans la voix de l'orateur d'origine avec seulement 2 secondes de délai.
Motif de la recommandation :L'article expose l'architecture de bout en bout et le pipeline de données qui ramènent la traduction vocale à 2 secondes de délai, avec un déploiement produit concret.
OpenAI publie Sora 2, un nouveau modèle de génération vidéo et audio. Selon OpenAI.
Motif de la recommandation :L'original présente les capacités de génération vidéo et audio de Sora 2, permettant de situer les changements par rapport à la version précédente.
OpenAI publie gpt-realtime, un modèle speech-to-speech plus avancé, accompagné de nouvelles capacités de la Realtime API.
Motif de la recommandation :OpenAI publie un modèle vocal speech-to-speech plus avancé et étend la Realtime API au support MCP, à l'entrée d'images et à la téléphonie SIP.
Mistral annonce une série de nouvelles fonctionnalités pour son assistant Le Chat.
Motif de la recommandation :Mistral détaille les nouvelles capacités de Le Chat, du mode Deep Research à l'édition d'images, ce qui aide à situer l'offre face aux assistants concurrents.
Mistral publie Voxtral, une famille de modèles de compréhension vocale en deux tailles.
Motif de la recommandation :Mistral ouvre deux tailles de modèles vocaux sous Apache 2.0, avec des chiffres de prix et de contexte qui permettent de comparer aux API fermées.
Genspark a construit en 45 jours un produit IA atteignant 36 M$ d'ARR.
Retell s'appuie sur les modèles OpenAI pour traiter 100 millions d'appels vocaux par mois.
Speak personnalise l'apprentissage des langues grâce à l'IA.