OpenAI a publié GPT-Live, une nouvelle famille de modèles vocaux basés sur une architecture full-duplex, qui peuvent écouter et parler en même temps, permettant un flux conversationnel naturel avec des apartés, des interruptions et une prise de parole en temps réel.
Les modèles, disponibles dans ChatGPT dès aujourd’hui, représentent une évolution architecturale significative par rapport au système vocal ChatGPT en cascade d’origine et au mode vocal avancé plus récent. GPT-Live utilise un seul modèle qui traite les entrées en continu tout en générant des sorties, prenant des décisions d’interaction plusieurs fois par seconde : parler, écouter, faire une pause, interrompre ou invoquer un outil.
Deux innovations architecturales
La première est le traitement full-duplex. Les systèmes vocaux précédents étaient basés sur un modèle à tour de rôle : une personne parle, puis l’autre répond, les silences marquant les limites. GPT-Live élimine cette contrainte. Le modèle peut ajouter de brefs apartés (« mhmm », « ouais ») pendant que l’utilisateur parle encore, peut être interrompu au milieu d’une phrase, et peut faire une pause et reprendre naturellement. Il prend également en charge la traduction en direct entre les langues.
La seconde est la délégation. Lorsqu’un utilisateur demande quelque chose qui nécessite une recherche web, un raisonnement approfondi ou une capacité agentique, GPT-Live confie la tâche à GPT-5.5 en arrière-plan tout en maintenant le flux de la conversation. L’utilisateur entend un accusé de réception rapide (« une seconde, je suis toujours là ») et la réponse arrive sans que l’interaction vocale ne soit interrompue.
Évaluations
Lors de tests de préférence humaine avec des conversations de 5 à 10 minutes, GPT-Live-1 et GPT-Live-1 mini ont été fortement préférés au mode vocal avancé dans toutes les dimensions mesurées : préférence globale, qualité de la prise de parole, gestion des interruptions, flux conversationnel et naturel.
Sur les benchmarks automatisés, GPT-Live-1 a considérablement surpassé le mode vocal avancé sur GPQA (raisonnement scientifique de niveau expert), BrowseComp (recherche web agentique) et le benchmark tau3-Voice Telecom pour les tâches de support télécom multi-tours.
GPT-Live-1 (instantané) et GPT-Live-1 mini utilisent GPT-5.5 Instant comme modèle de raisonnement en arrière-plan. GPT-Live-1 Medium et High utilisent GPT-5.5 Thinking avec un effort de raisonnement configurable. La vidéo, le partage d’écran et la parité multilingue complète ne sont pas disponibles au lancement mais sont attendus dans des mises à jour futures. Une version API est prévue.
Sources : MarkTechPost (8 juillet)
Traduit par Lydie