Full-duplex

duplex intégral

Le full-duplex désigne un mode de dialogue vocal dans lequel un modèle d’IA écoute et parle simultanément, au lieu d’attendre que son interlocuteur ait terminé pour formuler sa réponse.

Lecture : 5 minutes
Mis à jour le 25 octobre 2026
5 sources

En clair

Le talkie-walkie et le téléphone illustrent bien la différence. Avec un talkie-walkie, on parle à tour de rôle : on appuie sur le bouton, on dit « terminé », puis on écoute. Avec un téléphone, les deux personnes peuvent parler en même temps, s’interrompre, glisser un « hum hum » pendant que l’autre explique. Le premier fonctionne en semi-duplex, le second en full-duplex. La plupart des assistants vocaux se comportent encore comme des talkies-walkies.

Un assistant vocal classique attend un silence pour considérer que vous avez fini, puis réfléchit, puis répond. D’où ces petits blancs gênants, ces réponses qui démarrent pendant que vous cherchiez vos mots, ou cet assistant qui continue son monologue quand vous essayez de l’arrêter. Un modèle full-duplex, lui, entend en permanence ce que vous dites, y compris pendant qu’il parle. Il peut se taire si vous l’interrompez, attendre si vous hésitez, ou acquiescer brièvement pour montrer qu’il suit.

Ce n’est pas une question d’intelligence mais de rythme. Un modèle full-duplex ne sait pas forcément plus de choses ; il gère mieux le tempo de la conversation, ce qui rend l’échange beaucoup plus naturel à l’oreille.

Un exemple

Un réseau d’agences de location de véhicules reçoit chaque jour des milliers d’appels pour modifier une réservation. Son premier agent vocal fonctionnait par tours : les clients qui marquaient une pause pour retrouver leur numéro de dossier se faisaient couper, et ceux qui voulaient corriger une date devaient attendre la fin d’une longue phrase de confirmation. Beaucoup raccrochaient ou demandaient un conseiller.

L’entreprise teste un modèle full-duplex sur une partie des appels. L’agent laisse désormais le client chercher son numéro, s’arrête net quand il entend « non, pas le 12, le 14 », et ponctue les explications de brefs signes d’écoute. L’équipe compare le taux d’appels résolus sans transfert et la durée moyenne des appels entre les deux versions, en vérifiant aussi que l’agent annonce bien dès le début qu’il est une IA.

Niveau technique

Comment ça marche

Le terme vient des télécommunications, où il désigne une liaison permettant de transmettre dans les deux sens à la fois. En IA vocale, un jalon est dGSLM, publié en 2022 par des chercheurs de Meta AI, de l’EHESS et de l’Inria : entraîné sans aucun texte sur 2 000 heures de conversations téléphoniques enregistrées sur deux canaux, il génère parole, rires et autres signaux dans les deux canaux simultanément, avec une alternance plus fluide qu’un système en cascade ¹. En septembre 2024, le laboratoire Kyutai présente Moshi, qui modélise séparément sa propre parole et celle de l’utilisateur dans des flux parallèles, ce qui supprime les tours de parole explicites ; ses auteurs le présentent comme le premier grand modèle de langage parlé full-duplex en temps réel, avec une latence théorique de 160 millisecondes et de 200 en pratique ².

ÉcouterLe flux audio de l’interlocuteur arrive en continu, y compris pendant que le modèle parle.
EncoderLes deux flux, celui de l’utilisateur et celui du modèle, sont convertis en tokens audio à intervalles réguliers.
DéciderÀ chaque instant, le modèle choisit de parler, de se taire, d’acquiescer ou de céder la parole.
ParlerLes tokens produits sont reconvertis en voix et diffusés aussitôt, sans attendre la fin de la phrase.

Ces étapes ne se succèdent pas une fois par réplique : elles tournent en boucle, plusieurs fois par seconde, pendant toute la conversation.

Les mêmes auteurs rappellent que les systèmes classiques enchaînent détection d’activité vocale, reconnaissance de la parole, dialogue textuel et synthèse vocale, une complexité qui induit plusieurs secondes de latence entre les interactions ; ils notent aussi que les chevauchements représentent 10 à 20 % du temps de parole dans une conversation ². La plupart des modèles de dialogue parlé fonctionnent encore en semi-duplex, un tour à la fois ³. Dans ces systèmes, c’est la détection d’activité vocale qui décide quand l’utilisateur a commencé ou cessé de parler : l’API Realtime d’OpenAI propose ainsi un mode fondé sur les silences et un mode qui estime, d’après les mots prononcés, si la phrase est terminée ⁴.

Mesurer la qualité d’un modèle full-duplex demande des tests spécifiques : le banc d’essai Full-Duplex-Bench, publié en 2025, évalue la gestion des pauses, les signes d’écoute, la prise de parole et la gestion des interruptions ³. La notion se distingue de deux voisines. Un modèle multimodal traite plusieurs types de données, mais peut très bien converser par tours ; un modèle « parole à parole » supprime l’étape du texte, sans être pour autant full-duplex. Le full-duplex décrit l’organisation de l’échange dans le temps, pas la nature des données.

Ce que ça change pour une entreprise

Le full-duplex rend crédibles des usages où la voix était jusqu’ici frustrante : accueil téléphonique, prise de rendez-vous, assistance après-vente, accompagnement d’un technicien sur le terrain. Les clients tolèrent mal les blancs, les coupures et les assistants qu’on ne peut pas interrompre ; un échange plus fluide peut réduire les abandons et les transferts vers un conseiller. Pour un dirigeant, la question n’est pas de savoir si le modèle est full-duplex, mais si l’expérience d’appel s’améliore sur ses propres indicateurs.

Le coût est d’abord technique : un modèle full-duplex tourne sans interruption pendant toute la durée de l’appel, même quand personne ne parle, ce qui mobilise davantage de capacité de calcul qu’un système qui ne s’active qu’à la fin d’une phrase. La fluidité de la voix ne garantit pas la justesse du fond, et brancher ces modèles sur les outils métier reste plus délicat qu’avec un agent textuel. Plus la voix paraît humaine, plus le risque de tromper l’interlocuteur grandit : depuis le 2 août 2026, l’article 50 de l’AI Act impose d’informer clairement les personnes qu’elles échangent avec une IA, au plus tard lors de la première interaction ⁵.

Idées reçues

« Full-duplex, cela veut simplement dire qu’on peut interrompre l’assistant. »
Les systèmes par tours savent déjà s’arrêter quand ils détectent une voix. Le full-duplex va plus loin : le modèle suit en continu les deux voix et gère aussi pauses, chevauchements et signes d’écoute.
« Une IA qui converse naturellement raisonne aussi bien qu’un modèle textuel. »
Le naturel tient au rythme de l’échange, pas à l’exactitude des réponses. La qualité du fond se vérifie séparément, sur des cas réels.
« Full-duplex et multimodal, c’est la même chose. »
Multimodal désigne les types de données traités, comme le texte, l’image ou le son. Full-duplex désigne la façon dont l’échange s’organise dans le temps.

Sources

Voir aussi

Modèles de langage
Multimodal
Se dit d’une IA capable de traiter plusieurs types de contenus, et pas seulement du texte : images, son, vidéo, documents. Vous pouvez lui montrer une photo ou un graphique et lui poser des questions dessus.
Le détail technique
Modèle qui convertit des entrées de natures différentes (texte, image, audio, vidéo) en représentations traitées par un même réseau, et qui produit du texte, parfois aussi des images ou du son.
Sources : Dosovitskiy et al., « An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale », 2020 · Radford et al., « Learning Transferable Visual Models From Natural Language Supervision », 2021 · OpenAI, « GPT-4 Technical Report », 2023 · Gemini Team (Google), « Gemini: A Family of Highly Capable Multimodal Models », 2023 · Google, documentation de l’API Gemini, « Understand and count tokens » · Anthropic, documentation Claude, « Vision »
Lire l’article
Inférence
Le moment où un modèle déjà entraîné est utilisé : on lui envoie une demande, il calcule une réponse. C’est l’usage quotidien, par opposition à l’entraînement, qui a lieu en amont.
Le détail technique
Exécution d’un modèle aux poids figés sur une nouvelle entrée. Pour un modèle de langage, la sortie est produite token par token ; le coût dépend du nombre de tokens lus et écrits.
Sources : Vaswani et al., « Attention Is All You Need », 2017 · Anthropic, « Pricing », documentation officielle de la plateforme Claude · Jacob et al., « Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference », 2017 · Pope et al., « Efficiently Scaling Transformer Inference », 2022
Lire l’article
Agent IA
Une IA qui ne se contente pas de répondre : elle agit. On lui confie un objectif, elle enchaîne les étapes, utilise des outils et vérifie son travail.
Le détail technique
Modèle de langage placé dans une boucle : il choisit une action (un appel d’outil), observe le résultat et recommence jusqu’à atteindre l’objectif ou une limite.
Sources : Yao et al., « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 · Anthropic, « Building effective agents », décembre 2024 · Model Context Protocol, documentation officielle
Lire l’article
Modèles de langage
Grand modèle de langage LLM
Un programme entraîné sur d’immenses quantités de texte pour prédire la suite d’une phrase. De cette seule capacité découlent la rédaction, le résumé, la traduction ou l’écriture de code.
Le détail technique
Réseau de neurones de type Transformer comptant des milliards de paramètres, pré-entraîné à prédire le token suivant, puis ajusté pour suivre des instructions et tenir une conversation.
Sources : Vaswani et al., « Attention Is All You Need », 2017 · Brown et al., « Language Models are Few-Shot Learners », 2020 · OpenAI, « GPT-4 Technical Report », 2023 · Anthropic, glossaire de la documentation Claude
Lire l’article
Modèles de langage
Token
L’unité de texte que lit et écrit un modèle : un mot court, un morceau de mot ou un signe de ponctuation. L’usage d’un modèle se compte et se facture en tokens.
Le détail technique
Le texte est découpé par un tokeniseur en unités tirées d’un vocabulaire fixe, souvent des fragments de mots. Un token représente en moyenne trois à quatre caractères en anglais.
Sources : Sennrich, Haddow et Birch, « Neural Machine Translation of Rare Words with Subword Units », 2015 · Anthropic, glossaire de la documentation Claude · Google, documentation de l’API Gemini, « Understand and count tokens » · Anthropic, documentation Claude, « Token counting »
Lire l’article

En clair

Un exemple

Comment ça marche

Ce que ça change pour une entreprise

Idées reçues

Sources

Voir aussi

Multimodal

Inférence

Agent IA

Grand modèle de langage LLM

Token