Présentation du mode vocal
Meta a intégré un mode vocal à son agent IA Muse, disponible dès maintenant sur l’application iOS aux États-Unis. L’utilisateur peut dialoguer avec Muse en temps réel, la parole étant traitée de façon similaire aux échanges textuels. Le système accepte également des consignes verbales pour modifier le ton de la voix, soit en le demandant directement à l’agent, soit en sélectionnant une option dans les paramètres de l’avatar.
Fonctionnement et animation des avatars
Lorsque Muse parle, l’avatar affiché en haut de la conversation s’anime en synchronisation avec le flux audio. Cette animation repose sur un moteur qui mappe les phonèmes aux mouvements faciaux, créant ainsi une correspondance visuelle entre le son et l’image. Les tests indiquent que les réponses vocales sont généralement rapides, mais que l’agent peut introduire de courtes pauses lorsqu’il recherche des informations ou vérifie des données, comme il le ferait dans un chat texte.
Le choix du ton se fait de deux manières : en formulant une requête du type « utilise un ton plus détendu », ou en parcourant la liste des voix proposées dans les réglages. Cette flexibilité repose sur un modèle de synthèse vocale capable de moduler le timbre et l’intonation en fonction des paramètres fournis.
Déploiement et perspectives
Le mode vocal et les avatars expressifs sont actuellement déployés aux États-Unis via l’application iOS. Meta prévoit une extension « bientôt » aux lunettes d’IA et au gadget Muse Charm, dont la commercialisation est annoncée pour l’année en cours. L’ajout de la voix ouvre la voie à des interactions plus naturelles, mais soulève également des questions d’authenticité, notamment lorsqu’un avatar reproduit l’apparence d’une personnalité publique comme Mark Zuckerberg.
En l’état, la fonctionnalité ne permet pas de reproduire exactement la voix d’une personne réelle, même si l’avatar visuel peut être personnalisé pour ressembler à un individu connu. Cette limitation reflète les contraintes actuelles des modèles de clonage vocal, qui exigent des ensembles de données spécifiques et soulèvent des enjeux de consentement.
