Agents vocaux IA

Ce qui est inclus dans la prestation d'agents vocaux

Nous concevons et assemblons un agent vocal IA qui appelle lui-même votre base et reçoit les appels entrants selon votre scénario. Le travail comprend la rédaction des scénarios de dialogue et de la logique de ramification, le choix et la configuration des moteurs de reconnaissance et de synthèse vocale, la connexion à la téléphonie via SIP et l'intégration avec votre CRM ou votre base de contacts. L'équipement de communication, les lignes téléphoniques et les serveurs restent les vôtres ou ceux de l'opérateur — nous écrivons la partie logicielle, la configurons selon vos numéros et vos canaux et l'amenons à l'état de production. Séparément, nous travaillons sur le traitement des échecs : ce que dit l'agent en cas d'échec d'appel, de transfert vers un opérateur ou de réponse non reconnue. À l'arrivée, vous recevez un circuit vocal configuré avec les logs des conversations et les métriques de joignabilité, et non une démo abstraite.

Comment l'agent entend et parle

Au fond, un agent vocal, c'est l'assemblage de quatre blocs fonctionnant en temps réel. Le son entrant de la ligne va vers le module de reconnaissance vocale (STT), qui transforme les mots de l'interlocuteur en texte, ensuite le modèle de langage (LLM), d'après le scénario, décide quoi répondre, et la synthèse vocale (TTS) restitue la réponse en voix dans la ligne. Tout cela passe par la téléphonie SIP, qui maintient la connexion elle-même et transmet le flux audio entre l'abonné et le système. La latence sur le cycle complet est déterminante : si la réponse arrive plus d'une seconde à une seconde et demie après, la conversation est ressentie comme un échange avec un robot ; c'est pourquoi les blocs sont sélectionnés et configurés pour une latence minimale. Nous assemblons cette chaîne sur l'infrastructure du client ou de l'opérateur et nous calibrons chaque jonction, au lieu de simplement relier au hasard des services tout prêts.

D'où a grandi la technologie de la parole

On fait remonter la synthèse vocale par machine au Voder — un appareil que Homer Dudley et son équipe aux Bell Labs ont présenté à l'Exposition universelle de 1939 ; il est issu des travaux de Dudley sur le vocodeur, menés depuis 1926. La reconnaissance est apparue plus tard : en 1952, ces mêmes Bell Labs ont construit le système Audrey, qui distinguait les chiffres prononcés d'après les formants, et en 1962 IBM a présenté Shoebox, qui comprenait 16 mots. Dans les années 1970, le programme DARPA (1971–1976) a abouti au système HARPY de l'université Carnegie Mellon, qui reconnaissait dès 1976 près d'un millier de mots grâce à un algorithme de recherche en faisceau. Ces premières machines fonctionnaient avec un vocabulaire minuscule, mais ont prouvé qu'un ordinateur est en principe capable d'entendre et de parler. L'agent vocal IA moderne est le prolongement direct de cette lignée, le vocabulaire et la qualité ayant simplement augmenté d'un ordre de grandeur.

Pourquoi le logiciel et le paramétrage sont déterminants

Le matériel pour l'appel est également accessible à tous, et c'est précisément la partie logicielle qui fait la différence dans le résultat : le scénario, la précision de la reconnaissance et la qualité de la voix. Si le STT confond « oui » et « non » ou perd les nombres, l'agent mène la conversation au mauvais endroit, et aucune téléphonie ne corrigera cela — l'erreur naît dans le logiciel et dans son paramétrage selon votre lexique, vos accents et le bruit sur la ligne. La synthèse n'est pas neutre non plus : une voix artificielle ou hachée pousse les gens à raccrocher dans les premières secondes, c'est pourquoi la voix est sélectionnée et réglée selon la tâche, et non posée par défaut. Le scénario doit couvrir les branches réelles de la conversation, y compris les interruptions, les pauses et les réponses atypiques, sinon l'agent se casse au premier dialogue réel. Nous abordons cela comme une tâche d'ingénierie : nous mesurons la part de reconnaissances correctes et le taux d'aboutissement de l'appel, au lieu de croire une démonstration sur une voix de studio pure.

Avec quels outils nous travaillons

La stack de l'agent vocal repose sur quatre composants, et chacun, nous le sélectionnons selon la langue, le budget et la charge du client. Le STT assure la transcription de la parole en texte et se configure selon les langues requises, les termes du secteur et la qualité audio téléphonique. Le TTS synthétise la réponse avec une voix choisie selon l'audience et vérifiée sur le naturel et l'intelligibilité dans la ligne. La téléphonie SIP relie l'agent aux vrais numéros et opérateurs, assure la réception et l'initiation des appels et s'interface avec votre PABX ou votre opérateur. Le LLM porte la logique du dialogue par-dessus le scénario — il comprend l'intention de l'interlocuteur et formule les réponses dans le cadre des règles définies. Les moteurs concrets de chaque bloc sont interchangeables, et nous choisissons la combinaison selon la latence, le prix à la minute et la précision sur votre matière, tout en configurant l'infrastructure du côté du client.

Quand sont apparus les standards clés

Le premier système complet de synthèse vocale à partir de texte pour l'anglais a été réalisé par l'équipe de Noriko Umeda au laboratoire électrotechnique japonais en 1968. Le tournant commercial a été donné par DECtalk de Digital Equipment Corporation en 1984 — c'est précisément avec sa voix reconnaissable que Stephen Hawking a parlé pendant de longues années. L'ère des réseaux de neurones dans la synthèse a commencé en 2016 avec WaveNet de DeepMind, qui a généré pour la première fois la forme d'onde sonore directement et a fixé la barre de naturel des voix actuelles ; la reconnaissance est passée aux réseaux de neurones plus tôt, en s'appuyant notamment sur le LSTM de Hochreiter et Schmidhuber de 1997. La base téléphonique a été posée par le protocole SIP : la première version est sortie sous la forme du RFC 2543 en 1999, et l'édition en vigueur, le RFC 3261, en juin 2002. C'est sur ces dates de référence que repose toute la téléphonie vocale moderne dotée d'intelligence artificielle.

Pourquoi vous pouvez nous le confier

L'expérience cumulée de notre équipe de développement dans l'IT dépasse 45 ans, et le circuit vocal, nous l'assemblons en ingénieurs, et non en vendeurs de boîtes toutes prêtes. Nous ne produisons pas le matériel et nous le disons honnêtement : vos lignes et votre équipement restent les vôtres, notre zone de responsabilité, c'est le scénario, la reconnaissance, la synthèse, l'intégration SIP et le paramétrage selon vos appels réels. Avant le lancement en production, le système passe une vérification sur des dialogues réels : nous mesurons la précision de la reconnaissance, le taux d'aboutissement de l'appel et le comportement de l'agent sur les réponses atypiques, et nous corrigeons avant qu'il ne compose son premier client. Les logs et les métriques sont ouverts, on voit donc où l'agent fonctionne et où le scénario doit être affiné. Cette approche écarte le principal risque de l'agent vocal IA — un lancement à l'aveugle, qui fait chuter la conversion et la réputation dès les premières centaines d'appels.