TANO — AI Voice Agent

Blog

98,9 à l'examen. 57,5 sur le terrain.

Microsoft a sorti son premier modèle voix à voix, pensé pour les centres de contact. Ses propres graphiques racontent quelque chose de plus utile que le titre du lancement : là où l'IA vocale tient déjà la route, et là où le vrai travail commence.

Italiano · English · Español · Deutsch · Français

98,9. C'est le score que Microsoft annonce pour MAI Realtime 1 sur Big Bench Audio, un test où un modèle vocal doit répondre à des questions de raisonnement posées à voix haute. C'est le meilleur score du graphique publié mardi. Quelques lignes plus bas, sur la même page, il y a un autre chiffre : 57,5. C'est la part des demandes de service client que le même modèle mène à bien sur τ-Voice, un test où comprendre l'interlocuteur ne suffit pas. Il faut régler le dossier.

Le même modèle, sur la même page. Mis côte à côte, ces deux chiffres en disent plus sur l'état de l'IA vocale que n'importe quel slogan. Si vous vendez au téléphone, c'est ce qui est sorti de plus utile cette semaine.

Ce que Microsoft a lancé

Le 17 novembre, lors de sa conférence Ignite, Microsoft AI a présenté sept nouveaux modèles. Un seul concerne le téléphone, et c'est le premier du genre que Microsoft développe lui-même : MAI Realtime 1, un modèle voix à voix. Il écoute l'appelant et lui répond de vive voix, sans passer par un texte écrit au milieu. Google et OpenAI avaient déjà le leur. Microsoft a maintenant le sien.

Il fonctionne sur deux niveaux. Une couche rapide fait vivre la conversation en temps réel et, quand la demande se complique, elle fait appel à un moteur de raisonnement plus puissant. D'après Microsoft, sans blancs gênants. Le délai avant le premier son, le temps qu'il met à commencer sa réponse, est de 880 millisecondes en médiane. Moins d'une seconde.

Microsoft dit aussi clairement où il veut le voir travailler : dans Dynamics 365 Contact Center, son produit pour les centres d'appels, et dans Dragon Copilot, où il joue des patients simulés pour que les infirmières s'entraînent. Parmi les premières entreprises qui le testent, Microsoft cite Agoda, la plateforme de réservation de voyages.

Comment il se comporte au téléphone

La liste des capacités est courte et va droit aux défauts que connaît quiconque s'est battu avec un serveur vocal. Le modèle gère les interruptions. Il comprend les « hum » et les « d'accord » qu'on glisse pendant que l'autre parle, et ne les prend pas pour une réponse. Il sait attendre que la personne ait fini. Il saisit la demande même avec du bruit de fond ou d'autres gens qui parlent à côté. Il se branche sur les outils de l'entreprise, donc il peut agir au lieu de seulement répondre. Et son rôle et son ton se règlent par des consignes, pas par des mois d'entraînement.

La page du modèle propose six appels d'exemple, chacun avec un caractère différent. Dans l'un, il tient l'accueil d'un cabinet dentaire : il trouve un créneau qui convient au patient, laisse une note à l'hygiéniste sur ses gencives sensibles et confirme le rendez-vous. Dans un autre, il travaille pour une carte de crédit. Quand le client est distrait il répète la question, quand on lui demande de faire court il fait court, et avant de clôturer le compte il demande confirmation. Dans un troisième, il modifie un vol, et comme le vol plus tardif dépasse le budget du voyageur, il trouve une meilleure option le lendemain matin.

Ce sont des exemples choisis par ceux qui vendent le modèle, évidemment. Mais ils montrent bien une chose : la voix n'est plus le problème. Le ton et la patience sont déjà là. Ce qui compte maintenant, c'est ce qui se passe pendant l'appel. La note pour le collègue, le créneau qui doit tomber juste, la confirmation avant de toucher à quoi que ce soit.

Les chiffres

Microsoft a publié deux graphiques. Nous reprenons les modèles des grands laboratoires. Le premier est Big Bench Audio : des questions de raisonnement posées à l'oral, on compte les bonnes réponses.

ModèleBig Bench Audio
MAI Realtime 1 (Microsoft)98,9%
Gemini 3.8 Live Extended Thinking, High (Google)97,7%
Grok Voice 2.0 (xAI)97,2%
GPT-Realtime-2, High (OpenAI)96,6%
GPT-Realtime-2.1, High (OpenAI)95,8%
Gemini 3.8 Live (Google)91,7%
GPT-Live-1 Astra, medium (OpenAI)90,1%
GPT-Live-1 Sol, low (OpenAI)89,0%
GPT-Realtime-2.1 Mini, High (OpenAI)74,7%

Source : Microsoft AI, page du modèle MAI Realtime 1, graphique « Big Bench Audio score », 17 novembre 2026. Scores des autres modèles mesurés par Artificial Analysis ; MAI Realtime 1 issu de l'évaluation interne de Microsoft. Plus c'est haut, mieux c'est.

Le second est τ-Voice. Le modèle joue un conseiller du service client et doit mener à bien de vraies démarches, avec des règles à respecter et des outils à utiliser, en parlant à un client simulé. On compte les démarches réussies.

Modèleτ-Voice, démarches réussies
GPT-Live-1 Astra, medium (OpenAI)74,5%
Grok Voice 3.0 (xAI)71,6%
Gemini 3.8 Live Extended Thinking, High (Google)68,6%
GPT-Live-1 Sol, low (OpenAI)59,3%
MAI Realtime 1 (Microsoft)57,5%
Qwen Audio 3.0 Realtime Plus (Alibaba)54,6%
GPT-Realtime-2.1, High (OpenAI)45,7%
Qwen Audio 3.0 Realtime Flash (Alibaba)35,9%
Gemini 3.8 Live (Google)30,1%
GPT-Realtime-2.1 Mini, High (OpenAI)29,4%

Source : idem, graphique « τ-Voice task completion ». Uniquement des modèles qui écoutent et parlent en même temps. Le graphique d'origine inclut aussi les modèles de deux fournisseurs spécialisés que nous n'avons pas repris ; l'un d'eux arrive en tête de ce test. Plus c'est haut, mieux c'est.

Comprendre n'est pas faire

Mettez les deux tableaux côte à côte et le point le plus intéressant de l'annonce saute aux yeux, même si Microsoft ne le souligne pas. Sur Big Bench Audio, presque tous les grands modèles tournent autour de 90 % ou au-dessus. Comprendre une question orale et raisonner dessus, c'est en pratique un problème réglé. Sur τ-Voice, aucun modèle des grands laboratoires n'atteint 75 %, et les mêmes noms s'étalent entre 29 et 74,5.

MAI Realtime 1 en est l'exemple le plus net : premier au premier test, milieu de tableau au second. Gemini 3.8 Live, dans sa version rapide, fait 91,7 d'un côté et 30,1 de l'autre. Si on lui laisse le temps de réfléchir, avec la version Extended Thinking, il monte à 68,6.

Pour ceux qui vendent au téléphone, c'est une bonne nouvelle, et une nouvelle concrète. Ce qui faisait rire il y a deux ans, l'IA qui ne comprend pas ce qu'on lui dit, fonctionne aujourd'hui. Ce qu'il reste à bien faire est d'un autre ordre. Donner à l'agent une mission claire, le brancher sur les bons outils, et fixer des règles nettes sur ce qu'il peut faire seul et ce qu'il doit faire confirmer. C'est de la conception d'appel, pas de la technologie. Et ça se fait dès maintenant.

Un modèle pour chaque tâche

Les tableaux se lisent aussi autrement, et c'est la lecture la plus utile : aucun modèle ne gagne partout. Celui qui domine le raisonnement oral n'est pas celui qui boucle le plus de démarches, et la version rapide d'un modèle peut se comporter très différemment de celle qui prend le temps de réfléchir. Avec Microsoft, au moins cinq laboratoires proposent désormais un vrai modèle vocal (Google, OpenAI, xAI, Alibaba et Microsoft), la plupart en plusieurs versions.

Ça change la façon de choisir. Un appel de confirmation de rendez-vous est court et demande du répondant : il faut un modèle rapide, qui ne laisse jamais l'interlocuteur en plan. Un appel qui doit vérifier des informations, proposer trois créneaux et laisser une note dans le CRM demande un modèle qui va au bout des tâches, même s'il met une demi-seconde de plus. Le fait que MAI Realtime 1 soit compatible avec la Realtime API d'OpenAI aide : si vous avez déjà un agent construit ainsi, vous pouvez l'essayer sans tout reprendre.

Ce que l'annonce ne dit pas

Trois choses, et la première pèse.

Les langues. Ni l'annonce ni la page du modèle ne disent quelles langues parle MAI Realtime 1. D'autres modèles vocaux de Microsoft en couvrent beaucoup, mais pour celui-ci rien n'est indiqué, et tous les exemples publiés sont en anglais. Tant que Microsoft ne l'a pas écrit, mieux vaut ne pas tenir le français pour acquis.

Qui a mesuré. Les scores des autres modèles viennent d'Artificial Analysis, un organisme indépendant. Ceux de MAI Realtime 1 viennent de l'évaluation de Microsoft, qui reconnaît elle-même que les résultats dépendent de la configuration et varient selon les usages. La comparaison donne une tendance, pas un classement officiel.

Où il en est. Le modèle est en préversion. On peut l'essayer dans MAI Labs, avec des conversations de deux minutes maximum et pour un usage personnel, ou s'inscrire à la préversion à accès limité sur Foundry. Pour le mettre au téléphone tous les jours, il faudra patienter un peu.

Ce que vous pouvez faire lundi matin

Prenez les appels que votre entreprise passe chaque semaine et rangez-les en deux colonnes. Dans la première, ceux où il suffit de bien comprendre et de bien répondre : confirmer un rendez-vous, rappeler une échéance, donner une information. Dans la seconde, ceux qui doivent se terminer par quelque chose de fait. Un créneau posé dans l'agenda, une fiche mise à jour dans le CRM, une note pour le collègue qui va voir le client.

Imaginons que vous installez des panneaux solaires et passez 300 appels par semaine. Le rappel de la visite technique de demain va dans la première colonne. L'appel qui doit trouver un mardi libre pour le technicien, demander le type de toiture et tout noter dans le CRM va dans la seconde. La seconde colonne est presque toujours la plus courte. C'est aussi celle qui rapporte le plus.

La première colonne est déjà un terrain sûr pour un agent vocal, avec presque tous les modèles de cette génération. La seconde, c'est là que les modèles se départagent, et qu'un agent bien conçu prend le large sur un agent monté à la va-vite. À côté de chaque appel de la seconde colonne, notez quel outil il doit toucher : agenda, CRM, e-mail. Cette liste est le point de départ de tout projet sérieux d'agent vocal, et elle vous prendra une heure.

Nous travaillons sur deux types d'appels précis, et tous les deux sont dans la seconde colonne : la prospection téléphonique qui décroche des rendez-vous et la relance des leads restés en sommeil.

Sources

Vous voulez l’entendre sur vos propres appels ? Nous construisons et pilotons l’agent pour vous. Vous l’écoutez dans votre secteur, vous validez sa façon de parler, et vous recevez les rendez-vous. → Réserver un appel

Tous les articles →

Parlons-en

Trente minutes sur votre cas, pas une présentation commerciale

On regarde comment vous travaillez aujourd’hui, on vous fait écouter l’agent dans votre secteur et on vous dit si ça a du sens. Si ce n’est pas le cas, on vous le dit.

Si le calendrier ne se charge pas, ouvrez directement la page de réservation.

Ouvrir le calendrier