VocalIA · septembre 2026
Un standard téléphonique IA qui répond en moins d'une seconde
Un agent vocal en français qui décroche, cherche la personne demandée, transfère, prend un message ou fixe un rendez-vous, chronométré à chaque étape.
Beaucoup de standards IA sont lents et mécaniques.
L'agent décroche et converse naturellement tout en interagissant avec le système.
Pour qu’un agent vocal soit utilisable, il faut savoir précisément où passe le temps entre la question de l’appelant et la réponse de la machine.
Ce que j’ai construit
Un standard téléphonique IA en français, instrumenté pour répondre à cette question. Lors d’un vrai appel, l’agent cherche la personne demandée, tente le transfert, prend le message puis fixe un rendez-vous. L’appelant peut l’interrompre à tout moment.
Un tableau de bord chronomètre chaque étape en direct, au niveau de l’orchestrateur du standard. La chaîne relie transcription, modèle de langage et synthèse vocale, avec quatre outils : transfert, message, recherche de créneaux et réservation.
Où passe le temps
- Fin de parole et transcription500 à 600 ms, puis 250 à 300 ms quand la transcription décide elle-même de la fin du tour de parole.
- Modèle de langage400 à 600 ms, puis 200 à 300 ms avant le premier mot généré.
- Synthèse vocale800 ms avant le premier son, puis 150 ms après changement de brique.
Une réponse se décompose en quatre étapes, avec entre chacune le temps de transit des données entre les services :
- Détection de fin de parole : 250 ms de silence. Difficile de descendre plus bas sans que l’agent coupe la parole trop souvent.
- Voix vers texte : la transcription tourne en continu. Quand elle décide elle-même de la fin du tour de parole, détection et texte final tiennent ensemble en 250 à 300 ms. Sinon, il faut compter 300 à 400 ms de plus : c’est alors le poste dominant.
- Le modèle de langage : un équilibre entre qualité de réponse et temps avant le premier mot généré, idéalement 200 à 300 ms.
- Texte vers voix : le premier point dur, à 800 ms avant le premier son. En changeant de brique de synthèse, je suis descendu à 150 ms.
Le réseau pèse entre 100 et 500 ms selon la charge et l’emplacement des composants. Côté outils (agenda, logiciel métier), l’attente devient coûteuse si l’appelant n’en est pas prévenu : chaque cas doit être traité.
Résultat
Une latence stable de 600 à 800 ms entre le dernier mot de l’appelant et le premier mot de la réponse, en optimisant chaque composant.
Cette démonstration a été réalisée avec des offres gratuites, sur un ordinateur portable standard et sans optimiser l’emplacement des serveurs. C’est donc un minimum au regard de ce qu’une mise en production permet.
Ce que j’en retiens
Un agent vocal se règle composant par composant, et on ne règle bien que ce que l’on mesure.