Nuance Labs lance l'avatar Emma, qui hoche la tête et réagit pendant que vous parlez

Presque tous les avatars vidéo avec lesquels vous avez discuté fonctionnent comme un talkie-walkie. Vous parlez, le système attend le silence, transcrit la parole, envoie le texte à un modèle de langage, vocalise la réponse, et ce n'est qu'ensuite qu'un modèle distinct fait bouger les lèvres. Dans ce schéma, un délai de 1,5 à 3 secondes est inévitable. Pendant que l'avatar « réfléchit », il fixe le vide, et la sensation de conversation disparaît.

Nuance Labs, startup américaine fondée par d'anciens chercheurs d'Apple, tente de supprimer le talkie-walkie lui-même. Cette semaine, l'entreprise a présenté le modèle audiovisuel de base Nuplex 1.0 et lancé l'avatar Emma.

Ce qui change dans l'architecture

Au lieu d'une chaîne de quatre modèles, Nuplex est un unique réseau de neurones de bout en bout. Il perçoit et génère le son et la vidéo ensemble. Le système lit en continu le ton de la voix, les pauses et les hésitations de l'interlocuteur, et diffuse en parallèle la parole et les expressions faciales.

Dans l'industrie, on parle de full duplex : on peut écouter et parler en même temps, comme dans une vraie conversation. Jusqu'ici, cela concernait surtout les modèles vocaux ; ici, on y a ajouté un visage.

À quoi cela ressemble en pratique

Imaginez que vous racontiez à Emma un problème de commande. Avec un avatar classique, vous parlez dans le vide jusqu'à ce que vous vous taisiez. Emma, elle, hoche la tête, change d'expression et émet des signaux d'écoute active comme « mm-hm » et « je vois ». Tout cela se produit pendant que vous parlez, et non après. Pour le support client, la formation, l'onboarding et les interlocuteurs virtuels, c'est la différence entre « je parle à un formulaire » et « je parle à une personne ».

Selon le benchmark interne en aveugle de Nuance Labs, sur 1 785 questions de test, Nuplex a égalé la vitesse de réaction d'un humain dans 89 % des cas. Le chiffre est intéressant, mais il s'agit d'un test de l'entreprise elle-même. Mieux vaut vérifier soi-même la méthodologie et la comparaison avec les concurrents.

Accès et mesures de sécurité

Emma est accessible sur le web sans inscription ni compte : on peut juger de la qualité en quelques minutes. Les développeurs ont obtenu un accès anticipé à l'API Nuplex Live. L'entreprise ne communique dans son annonce ni les prix, ni les limites, ni la latence exacte.

Le lancement s'accompagne de restrictions :

• l'apparence d'Emma est sous licence d'une véritable actrice ;
• les flux sont obligatoirement marqués par des filigranes ;
• le clonage direct de visages et de voix de tiers est bloqué.

Pour les entreprises, c'est un atout côté risques, mais aussi une limite : on ne peut pas encore créer, via cette API, un « jumeau numérique » d'un employé ou un ambassadeur de marque.

Que faire de tout cela

Si vous développez un agent vocal ou vidéo, c'est l'idée elle-même qui est utile dans cette annonce. Le principal problème d'un dialogue vivant n'est pas la qualité de l'image, mais le timing : quand intervenir, quand se taire, quand hocher la tête. Une cascade STT, LLM et TTS l'entrave structurellement, car chaque étape attend la précédente.

Le plan pratique est le suivant :

• ouvrir Emma et tester son comportement face aux interruptions, aux pauses et à une parole hésitante ;
• comparer la sensation de conversation avec votre pile en cascade actuelle ;
• demander l'accès à l'API Live si vous avez un scénario où le naturel compte autant que la justesse des réponses.

Des questions restent sans réponse dans l'annonce. Quelle est l'intelligence de la « tête » de l'avatar sur des tâches complexes ? Comment le modèle conserve-t-il le contexte lors d'une longue conversation ? Combien coûte une minute de streaming ? Les modèles de bout en bout gagnent généralement en naturel, mais perdent face aux cascades en contrôlabilité : il est plus difficile d'y brancher des outils, des bases de connaissances et des scénarios stricts. Pour l'instant, c'est une démonstration solide d'une direction, et non un remplacement prêt à l'emploi de toute la pile. Mais la direction est claire : les avatars cessent d'être des chatbots dotés d'une voix pour devenir de véritables interlocuteurs.