IA vocale full duplex : pourquoi une vraie conversation exige deux voies ouvertes

La plupart des IA vocales parlent encore comme un talkie-walkie. Vous parlez, vous attendez, elle répond, et si vous tentez de l'interrompre, elle continue ou perd complètement le fil.

Ce n'est pas ainsi que les gens parlent. Lors d'un vrai appel, les deux interlocuteurs écoutent et parlent en même temps. On glisse un « mm-hm » pendant que l'autre parle. On interrompt pour corriger un détail. On marque une pause pour réfléchir sans céder la parole.

Les modèles vocaux full duplex sont conçus pour gérer ce type de conversation. Voici comment ils fonctionnent, pourquoi ils comptent pour l'expérience client et comment Maven Voice les met en œuvre sur de vrais appels de support.

Ce que signifie « full duplex »

Le terme vient des télécommunications. Il décrit la façon dont un canal gère un trafic bidirectionnel.

• Half duplex : les données circulent dans les deux sens, mais dans un seul sens à la fois. Le talkie-walkie en est l'exemple type : on appuie pour parler, on relâche pour écouter, et on dit « à vous » pour signaler à l'autre que c'est son tour.
• Full duplex : les données circulent dans les deux sens simultanément. Un appel téléphonique est full duplex : vous entendez votre interlocuteur pendant que vous parlez.

La plupart des agents vocaux actuels se comportent comme des systèmes half duplex, alors même qu'ils fonctionnent sur des lignes téléphoniques full duplex. L'agent attend le silence, décide que l'appelant a terminé, génère une réponse et la diffuse. Pendant qu'il parle, il est quasiment sourd.

Un modèle vocal full duplex continue d'écouter pendant qu'il parle. Il traite l'audio entrant et produit l'audio sortant en parallèle, ce qui lui permet de réagir à l'appelant en temps réel.

Comment fonctionnent les modèles vocaux full duplex

Pour mesurer ce qui change, partons de la façon dont la plupart des agents vocaux sont conçus aujourd'hui. L'approche courante repose sur un pipeline en cascade :

1. La reconnaissance vocale (speech-to-text) transcrit l'audio de l'appelant.
2. La détection de tour de parole attend une pause suffisamment longue pour conclure que l'appelant a terminé.
3. Un modèle de langage lit la transcription et rédige une réponse.
4. La synthèse vocale (text-to-speech) reconvertit cette réponse en audio.

Chaque transfert ajoute de la latence, et chaque étape perd de l'information. La transcription efface le ton, les hésitations et l'emphase. La détection de tour de parole se fie au silence : un appelant qui marque une pause pour retrouver un numéro de compte est coupé, tandis qu'un appelant qui parle vite subit un blanc gênant.

Les modèles full duplex suppriment cette chaîne. Ils travaillent directement sur l'audio dans les deux sens (on parle souvent de speech-to-speech) et gèrent l'écoute et la parole comme deux flux continus. Cela permet plusieurs comportements essentiels lors d'un appel en direct :

• Interruption (barge-in). Quand un appelant interrompt avec « Non, l'autre adresse », le modèle s'arrête, intègre la correction et s'adapte. Il ne termine pas un script que l'appelant a déjà rejeté.
• Signaux d'écoute. De petites marques comme « d'accord » ou « très bien » montrent que l'agent suit sans prendre la parole.
• Alternance naturelle des tours de parole. Le modèle tient compte de l'intonation et du contexte en plus du silence, et distingue ainsi une pause de réflexion d'une pensée achevée.
• Signaux paralinguistiques. La frustration, la confusion et l'urgence transparaissent dans la manière de dire les choses. Un modèle qui entend directement l'audio peut y réagir, là où une transcription les aurait gommées.

Pourquoi c'est important pour l'expérience client

C'est au téléphone que la qualité de la conversation se ressent le plus vite. Les appelants sont souvent stressés, occupés à autre chose ou appellent parce que le self-service a déjà échoué. Chaque pause gênante ou correction ignorée met leur patience à l'épreuve.

Le full duplex change plusieurs choses qui comptent pour un responsable support :

• Moins d'escalades dues à la frustration. Les appelants tapent zéro lorsqu'ils ne se sentent pas écoutés. Un agent qui gère les interruptions et les corrections les garde dans la conversation.
• Des appels plus rapides. Les appelants peuvent aller droit au but, confirmer des informations en cours de phrase et passer les étapes inutiles.
• Une collecte de données plus fiable. Numéros de compte, adresses et détails de commande arrivent souvent par fragments, avec des corrections. Une écoute continue permet de les saisir correctement du premier coup.
• Une expérience de marque qui sonne humaine. La voix reste le canal privilégié des clients pour leurs problèmes les plus urgents. La façon dont l'agent s'exprime devient la voix de l'entreprise.

Ce qui distingue Maven Voice

Une voix naturelle ne fait que la moitié du travail. Lors d'un appel de support, l'agent doit aussi comprendre le problème, agir dans vos systèmes et respecter vos politiques. Maven Voice associe la conversation full duplex aux capacités de raisonnement et aux intégrations de la plateforme Maven AGI.

Le speech-to-speech en production. Maven Voice exécute des modèles voix-à-voix sur des appels d'entreprise en direct : le ton et le rythme sont préservés dès le premier mot de l'appelant. Notre partenaire IBEX a salué Maven comme le premier à avoir mis le speech-to-speech pleinement en production pour un usage en entreprise.

Le choix du moteur, sans tout reconstruire. Maven Voice fonctionne avec les principaux fournisseurs vocaux, dont OpenAI et Phonic. Vous choisissez le moteur adapté à votre cas d'usage. Maven gère l'orchestration, le raisonnement et l'intégration : changer ou ajouter un moteur ne vous oblige pas à repartir de zéro.

Des conversations qui débouchent sur des actions. Maven Voice se connecte aux systèmes utilisés par votre équipe support. Il peut vérifier une commande et expédier un produit de remplacement, bloquer une carte et en émettre une nouvelle, ou reprogrammer un rendez-vous, le tout au cours du même appel.

Conçu pour l'audio du monde réel. Nous avons testé Maven Voice dans le métro, dans des aéroports et dans des stades. Les appelants n'appellent pas toujours depuis une pièce calme, et votre agent doit les entendre malgré tout.

57 langues, avec changement en cours d'appel. Les appelants peuvent changer de langue pendant la conversation, et Maven Voice suit.

Compatible avec votre centre de contact. Les clients composent les mêmes numéros. Maven Voice fonctionne avec votre routage et vos plateformes existants et, lorsqu'un humain est nécessaire, transfère l'appel avec tout le contexte pour que l'appelant n'ait jamais à se répéter.

Une sécurité de niveau entreprise. L'anonymisation intégrée de l'audio et du texte protège les informations sensibles en transit comme au repos, avec à l'appui 15 certifications et évaluations, dont ISO 42001 et PCI-DSS 4.0 Level 1.

Des clients comme Papaya Pay utilisent déjà Maven Voice pour assurer un support téléphonique 24 h/24 et 7 j/7, tout en gardant la maîtrise de la qualité et du contrôle.

Écoutez par vous-même

Le moyen le plus rapide de comprendre la voix full duplex, c'est de lui parler. Interrompez-la. Changez d'avis en pleine phrase. Changez de langue. Puis regardez-la résoudre le problème de bout en bout.

** Réservez une démo de Maven Voice ** et découvrez à quoi pourraient ressembler vos appels.