iRTE 2026 : décryptage des modèles temps réel sur lesquels misent OpenAI et Thinking Machines

Le média chinois Jiqizhixin (机器之心) a annoncé, lors de la conférence iRTE 2026, une discussion consacrée aux modèles d'interaction en temps réel. Selon la formulation des organisateurs, OpenAI et Thinking Machines Lab font le pari de cette direction. Depuis un an, les équipes multimodales ont cessé d'optimiser la « réponse vocale plus humaine » pour s'attaquer à un problème plus difficile : comment l'IA participe à une interaction (互动) qui se déroule en ce moment même. Le fragment disponible de l'annonce ne contient ni programme, ni intervenants, ni dates, mais la manière de poser la question montre où le centre de gravité s'est déplacé.

Trois paliers pour un même problème

Les organisateurs décrivent l'évolution comme une échelle à trois niveaux :

• Modèles full-duplex. L'agent écoute et parle en même temps. On peut l'interrompre, et il ne prend pas une pause dans la parole pour la fin d'une réplique.
• Multimodalité complète (omni). La voix, la vision et d'autres signaux sont traités conjointement, et la décision s'appuie sur l'ensemble de la scène, et non sur la seule transcription de la parole.
• Modèles interactifs. L'étape suivante : comprendre ce qui se passe précisément dans la conversation à cet instant et choisir la prochaine action.

Chaque palier ajoute une couche de responsabilité à la précédente. Le duplex règle la question du timing : quand intervenir, quand se taire. L'omni règle celle de la perception : ce que le modèle voit et entend. Le modèle interactif prend en charge le sens de la situation : qui mène la conversation, ce qu'attend l'interlocuteur, s'il est opportun d'intervenir.

Pourquoi le pari du temps réel paraît logique

Les assistants vocaux de première génération fonctionnaient selon le schéma « écouter, transcrire, réfléchir, vocaliser ». Une telle chaîne introduit de la latence et déraille face à la parole spontanée, où les gens s'interrompent, se corrigent et disent « euh… » au lieu de répondre. La qualité de la voix synthétique peut être élevée, mais l'échange reste comparable à un échange de petits mots.

OpenAI a déjà fait entrer les modes vocaux et la Realtime API dans le champ des produits. Thinking Machines Lab, la start-up de Mira Murati, ancienne directrice technique d'OpenAI, regarde dans la même direction selon les organisateurs. Quand deux équipes de ce calibre convergent indépendamment vers le même cap, c'est un signal pour le marché. La conversation en temps réel devient une classe de problèmes à part entière, avec ses propres métriques et son architecture, et non une surcouche posée sur un LLM textuel.

Ce que l'annonce laisse dans l'ombre

L'annonce ne mentionne ni benchmarks, ni noms de modèles, ni échéances. La formule « les deux entreprises font le pari » vient des organisateurs de la conférence, et le texte ne contient aucune confirmation de la part des entreprises elles-mêmes. Le terme « modèle interactif » n'a pas encore de définition unifiée : les organisateurs ne précisent pas où passe la frontière entre un agent omni performant et un modèle qui comprend le déroulement de l'interaction. D'après le thème annoncé, c'est précisément de cela que la conférence devrait débattre sur le fond.

Ce que doivent vérifier les équipes qui développent des agents vocaux

Si vous développez un agent vocal ou vidéo, ce déplacement a une conséquence pratique : il faudra revoir les métriques de qualité. La précision de la reconnaissance et le naturel de la voix ne suffisent plus. Il est utile de mesurer :

• la latence entre la fin de la réplique de l'utilisateur et le début de la réponse ;
• la justesse de la réaction à une interruption : l'agent s'est-il tu et a-t-il conservé le contexte ;
• la part de fausses prises de parole, lorsque l'agent se met à parler alors que la personne était simplement en train de réfléchir ;
• la capacité à exploiter le contexte visuel, s'il est disponible : écran, caméra, gestes.

Il convient aussi de trancher en amont ce que vous construisez : une cascade de modules distincts ASR, LLM et TTS, ou un modèle unique travaillant directement avec l'audio. Les deux approches coexistent aujourd'hui, mais la discussion à iRTE 2026 montre où va le haut du marché.