La saisie vocale en Chine apprend à écrire à votre place : de la dictée au texte fini

Un outil qui « convenait déjà à tout le monde » s'est, en l'espace d'un an, transformé en l'une des arènes les plus disputées de l'IA chinoise. Entre novembre 2025 et mai 2026, au moins trois nouveaux claviers IA signés par de grands acteurs ont vu le jour, et WeChat a ajouté à sa saisie une fonction « 隔空傳送 » (« transmission à distance »). Le principal front de bataille est désormais la saisie vocale, et le pari qui s'y joue consiste à changer de tâche : le système n'écoute plus les mots, mais l'intention de l'utilisateur, et restitue directement un texte fini.

Chronologie : quatre offensives en sept mois

Le compte à rebours commence à l'automne 2025. Voici ce que l'on sait du déroulé des événements :

• Doubao Input : lancement en novembre 2025. Doubao est l'assistant IA de ByteDance, et le clavier est devenu pour lui un nouveau point d'entrée sur le téléphone.
• Saisie IA de bureau Zhipu : décembre 2025. Zhipu, connue pour développer ses propres grands modèles, n'a pas misé sur le mobile mais sur le segment du bureau.
• Saisie vocale Qianwen : mai 2026. Qianwen est la marque IA grand public de l'écosystème Alibaba, et cette fois l'accent est mis précisément sur la voix.
• Saisie WeChat avec la fonction « 隔空傳送 » : un outil de transfert rapide du texte saisi entre appareils. Il s'appuie sur l'immense audience de la messagerie.

Les lancements se succèdent presque sans interruption, tous les un à deux mois. Pour un marché qui mettait auparavant des années à évoluer, c'est un rythme très rapide.

Pourquoi le clavier est devenu une tête de pont stratégique

Le clavier se situe au début de presque tous les scénarios d'usage : message, courriel, requête de recherche, note, prompt pour un chatbot. Qui contrôle cette couche voit l'intention de l'utilisateur avant toute application et peut intégrer le modèle directement au moment où le texte se crée. Pour une entreprise disposant de son propre LLM, c'est le chemin le plus court entre le modèle et l'habitude quotidienne : plus besoin de demander à l'utilisateur d'ouvrir une fenêtre de discussion séparée.

La voix amplifie cet effet. La dictée classique est devenue la norme depuis longtemps, mais elle exige des corrections : les gens parlent avec des pauses, des répétitions, des hésitations, et sautent d'une idée à l'autre. La nouvelle génération de saisies IA prend ce travail en charge. L'utilisateur énonce l'essentiel, par exemple « écris à mon collègue que la réunion est reportée à jeudi, et excuse-toi », et obtient un message soigné, sur le ton voulu. La transcription se transforme en génération, et la qualité ne dépend donc plus seulement de la reconnaissance vocale, mais aussi du modèle de langage qui comprend le contexte et le style.

Ce que cela change pour le marché

Ce schéma a aussi ses points faibles. Générer plutôt que transcrire signifie que le système peut reformuler les propos autrement que ne le voulait l'auteur. Une question de confiance se pose alors : dans quelle mesure le texte final restitue-t-il fidèlement la pensée, et où se situe la frontière entre aide et substitution. Second problème, lié aux données. La saisie voit tout ce qu'une personne écrit et prononce ; les questions de traitement sur l'appareil ou dans le cloud deviennent ainsi, pour les claviers, aussi cruciales que la précision de la reconnaissance.

Pour autant, la concurrence ne se joue pas sur un seul axe. Doubao et Qianwen restent liés aux écosystèmes de leurs assistants IA respectifs, Zhipu a choisi le bureau, et WeChat mise sur la liaison entre appareils et sur son audience captive. L'emportera sans doute celui qui parviendra à conjuguer le mieux qualité du modèle, rapidité de réponse et commodité dans les applications du quotidien.

Ce qu'il faut surveiller avant de choisir

Si vous testez ces saisies, vérifiez trois points. Premièrement : comment le système se comporte face à une parole mêlant plusieurs langues et un vocabulaire professionnel. Deuxièmement : si l'on peut voir rapidement la transcription d'origine à côté du texte final, pour repérer les déformations. Troisièmement : où la voix est traitée et ce qui est conservé. Pour les équipes et les entreprises qui bâtissent des produits à partir de LLM, la conclusion est simple : ce terrain, où le modèle accueille l'utilisateur au moment même où il crée son texte, s'avère tout aussi précieux que la fenêtre de chat, et la concurrence n'y fait que commencer.