OpenAI déploie des modèles vocaux temps réel capables de raisonner, traduire et transcrire en natif dans son API. C'est du multimodal qui tourne en boucle fermée : entrée vocale → raisonnement → sortie vocale, sans passage par du texte intermédiaire.
Jusqu'ici, la plupart des systèmes vocaux ressemblaient à des chaînes de montage : speech-to-text → LLM → text-to-speech. Latence brutale, perte d'information, sensation de décalage. Ces modèles fusionnent tout dans un seul stack.
Pas de perte semantique à chaque étape.
Le détail concret : la traduction se fait directement dans la langue cible avec conservation du ton et du contexte. Pas de perte semantique à chaque étape. Pour un dev, ça veut dire une API endpoint unique au lieu de trois chaînes d'appels en cascade.
D'ici 24 mois, les assistants vocaux qui traînent aujourd'hui vont devenir obsolètes. OpenAI vise les applications d'entreprise (support client, santé, éducation) où la latence <100ms et la compréhension contextuelle changent la viabilité du produit.
La voix devient enfin un médium de première classe, pas un wrapper autour du texte.