La course à l'IA vocale en Chine s'intensifie avec le lancement de SparkAudio 1.0 par iFlytek
L’entreprise chinoise d’intelligence artificielle iFlytek a profité de son 1024 Developer Festival annuel jeudi pour dévoiler SparkAudio 1.0, un modèle de fondation vocal qu’elle présente comme la première brique de sa pile technologique vocale. Le modèle intègre traduction automatique, reconnaissance vocale et compréhension sémantique dans un système unique, plutôt que d’assembler des outils distincts pour chaque tâche.
Dans une démonstration basée sur un extrait de film, le modèle a distingué les voix des sons environnants, identifié le genre des locuteurs et porté des jugements précis sur la scène. iFlytek affirme que le système gère la séparation des locuteurs en temps réel, la compréhension de l’environnement, la compréhension audio et la reconnaissance des émotions. Pour les lecteurs internationaux, la proposition est simple : un modèle unique capable d’écouter, d’analyser et de traduire une conversation en temps réel, ce qui compte pour les centres d’appels, le sous-titrage en direct, les réunions transfrontalières et les assistants vocaux qui dépendent actuellement de plusieurs moteurs déconnectés.
Le lancement vocal s’accompagne de la sortie de Spark X2.6, un grand modèle de bout en bout construit sur une architecture de mélange d’experts de 293 milliards de paramètres avec 30 milliards de paramètres actifs et une fenêtre de contexte d’un million de jetons. iFlytek indique que la mise à niveau se concentre sur les capacités de codage et d’agents, et que le modèle a été entraîné entièrement sur du matériel informatique national. L’entreprise a également présenté un modèle embarqué open source destiné à exécuter l’IA localement sur les téléphones et autres appareils.
Le contexte plus large est un marché chinois saturé d’assistants IA et d’interfaces vocales. Claude Duet d’Anthropic, une application mobile autonome qui surveille les e-mails et les calendriers et peut passer des commandes avec l’approbation de l’utilisateur, a attiré l’attention comme exemple occidental de l’agent personnel. Les développeurs chinois rivalisent pour construire des produits comparables, et la voix est l’une des interfaces les plus naturelles pour eux, car taper sur un téléphone reste lent et de nombreux utilisateurs interagissent déjà avec les appareils en parlant.
L’accent mis par SparkAudio 1.0 sur l’émotion et la compréhension de l’environnement indique la direction que prend la concurrence. Reconnaître ce qui est dit ne suffit plus ; les systèmes sont jugés sur leur capacité à dire qui parle, comment il se sent et ce qui se passe autour de lui. C’est le même ensemble de capacités que les chercheurs en robotique humanoïde poursuivent sous la bannière de l’IA physique, où les machines doivent interpréter des commandes vocales dans des environnements bruyants du monde réel.
L’affirmation d’iFlytek selon laquelle le modèle a été entraîné sur des puces nationales s’inscrit également dans un schéma plus large de l’industrie chinoise de l’IA, où les entreprises s’efforcent de réduire leur dépendance aux matériels étrangers. L’entreprise n’a pas divulgué de comparaisons détaillées de référence, et les évaluations indépendantes de SparkAudio 1.0 ne sont pas encore disponibles. Les performances réelles du modèle dans des centres d’appels bruyants, avec des accents régionaux et des conversations multilingues détermineront si l’approche intégrée tient ses promesses.
Ce qui est clair, c’est le rythme. En un seul événement pour développeurs, iFlytek a annoncé un modèle de fondation vocal, une mise à niveau majeure de modèle de langage et un modèle de pointe open source, signe que les entreprises chinoises d’IA livrent des produits sur toute la pile plutôt que de se concentrer sur un seul fleuron. Pour les développeurs, la question est de savoir si ces pièces s’assemblent suffisamment bien pour construire dessus. Pour les utilisateurs, le test sera plus discret : si l’assistant vocal à l’autre bout du fil donne enfin l’impression de comprendre.