Larssen Consulting
Agents et outils

Agent vocal

Voice agent

L’agent vocal est un agent IA piloté par la parole en temps réel : l’utilisateur lui parle, il comprend, répond à voix haute et peut confier des tâches à des outils ou à d’autres agents puis en rendre compte oralement, ce qui change la façon de déléguer et de superviser le travail.

  • Lecture : 4 minutes
  • Mis à jour le 12 novembre 2026
  • 4 sources

En clair

Pensez au chef de chantier qui appelle son équipe en conduisant : « Commence la dalle du bâtiment B, et rappelle-moi quand le béton est coulé. » Il ne remplit aucun formulaire, il délègue à la voix et attend un compte rendu bref. L’agent vocal applique ce mode de travail aux agents IA : on lui parle, il transmet la consigne à l’agent qui fait le travail, puis il vous dit où en est la tâche.

Les assistants vocaux grand public répondaient déjà à la voix, mais ils exécutaient surtout des commandes simples. L’agent vocal se distingue par deux traits. Il est en temps réel : la conversation est fluide, on peut l’interrompre ou préciser sa demande en cours de route. Et il agit : derrière la voix, il y a des outils et d’autres agents qui modifient des fichiers, lancent des recherches ou écrivent du code.

Il faut le distinguer du full-duplex, qui est une propriété technique : la capacité d’écouter et de parler en même temps. Un agent vocal peut être full-duplex ou non. Ce qui le définit est l’usage : déléguer et superviser par la parole, souvent loin de l’écran.

Un exemple

Dans une équipe de développement d’une banque régionale, une responsable technique passe ses matinées en réunions et en déplacements. Elle configure un agent vocal relié aux agents de code de l’équipe. Entre deux rendez-vous, elle l’appelle : « Où en est la correction du calcul des frais ? Lance les tests sur la branche de Paul. » L’agent répond en deux phrases et lance la tâche.

Pour éviter qu’une phrase mal comprise déclenche une action lourde, l’équipe fixe une règle : l’agent vocal peut lancer des tâches et des tests, mais toute fusion de code ou mise en production attend une validation à l’écran. Les comptes rendus oraux restent courts, et le détail des modifications est consultable par écrit.

Niveau technique

Comment ça marche

Deux architectures coexistent. La première enchaîne trois briques : reconnaissance vocale, modèle de langage, synthèse vocale. OpenAI la recommande quand chaque étape doit être visible ou remplaçable, par exemple pour conserver les transcriptions ou contrôler une réponse avant qu’elle soit prononcée 2. La seconde confie tout le tour de parole à un seul modèle parole-à-parole, qui interprète l’audio, décide et répond oralement, la session gérant les tours de parole, les outils et les interruptions 2.

  1. ÉcouterL’agent vocal reçoit la parole en flux continu et repère la fin de la demande ou une interruption.
  2. ComprendreUn modèle parole-à-parole, ou une chaîne transcription et modèle de langage, interprète la demande.
  3. DéléguerL’agent appelle un outil ou confie la tâche à un autre agent, qui l’exécute.
  4. Rendre compteIl résume oralement l’avancement ou le résultat, et répond aux questions de suivi.

Le modèle Moshi, publié en 2024 par Alexandre Défossez et ses coauteurs chez Kyutai, illustre les limites de la chaîne classique : les briques successives accumulent plusieurs secondes de délai, le passage par le texte efface l’émotion et les sons non verbaux, et le découpage en tours ignore les chevauchements et les interruptions 1. Moshi annonce une latence théorique de 160 millisecondes et d’environ 200 millisecondes en pratique 1.

En novembre 2026, deux outils de programmation ont ajouté ce mode d’interaction. Cursor propose des appels vocaux en temps réel avec ses agents, propulsés par Grok Voice : on demande une modification à voix haute, l’agent vocal la confie à l’agent de code, qui donne de courts points d’étape à l’oral et une réponse brève à la fin 3. Google a doté Antigravity d’un mode vocal fondé sur Gemini Live, pour confier des demandes à l’agent par la voix 4.

Ce que ça change pour une entreprise

L’agent vocal rend la délégation possible loin du poste de travail : en déplacement, entre deux réunions, les mains occupées. Il convient aux tâches de suivi et de lancement, moins à la relecture fine, qui demande toujours un écran. Il ajoute un coût à chaque minute de conversation, et le choix d’architecture compte : une chaîne en trois briques permet de garder des transcriptions et de filtrer les réponses, un modèle parole-à-parole est plus fluide 2.

Les risques sont ceux de la parole : un mot mal compris, une consigne donnée dans un lieu public, des conversations enregistrées. Il faut savoir où l’audio est traité et conservé ; Cursor, par exemple, annonce une absence de conservation des données en mode confidentialité 3. La règle prudente est de limiter ce que l’agent vocal peut déclencher seul et de réserver les actions irréversibles à une validation écrite.

Idées reçues

  • « Un agent vocal, c’est un assistant vocal comme ceux des enceintes connectées. »

    Les assistants grand public exécutent surtout des commandes simples. L’agent vocal délègue des tâches complexes à des outils ou à d’autres agents et en suit l’avancement.

  • « Agent vocal et full-duplex, c’est la même chose. »

    Le full-duplex est une propriété technique, écouter et parler en même temps. L’agent vocal est un usage, déléguer et superviser par la parole, qui peut s’en passer.

  • « Passer par la voix ralentit forcément la conversation. »

    Les chaînes classiques ajoutaient plusieurs secondes ; des modèles parole-à-parole annoncent environ 200 millisecondes de latence en pratique.

Sources

  1. Défossez et al., « Moshi: a speech-text foundation model for real-time dialogue », 2024
  2. OpenAI, « Voice agents », documentation de l’API, 2026
  3. Cursor, « Voice Chat with Agents », 2026
  4. 9to5Google, « Big Google Antigravity update brings Remote Agents, Voice Mode », 2026

Voir aussi