De la dictée à l’agent IA

Pendant la majeure partie des années 2010, les logiciels vocaux signifiaient une seule chose : la dictée. Vous parliez, l’ordinateur tapait. Point. La référence absolue était Dragon NaturallySpeaking, un produit qui a dominé le marché pendant plus de deux décennies. Médecins, avocats et écrivains l’utilisaient pour éviter les troubles musculo-squelettiques et taper plus vite que leurs doigts.

La technologie était impressionnante pour son époque, mais profondément limitée. La précision tournait autour de 85–90 % en conditions idéales et chutait brutalement avec le bruit de fond, les accents ou le vocabulaire technique. Il fallait “entraîner” le logiciel en lisant des passages à voix haute pendant 30–60 minutes avant qu’il ne commence à vous comprendre.

Le logiciel était aussi coûteux. Dragon Professional coûtait 300–500 $ par licence, et l’édition médicale dépassait les 1 000 $. Il ne fonctionnait que sous Windows, exigeait beaucoup de CPU et nécessitait des mises à jour constantes pour maintenir la précision.

Tout a changé en septembre 2022 quand OpenAI a publié Whisper, un modèle de reconnaissance vocale open source entraîné sur 680 000 heures d’audio multilingue. Du jour au lendemain, la barre de précision est passée de 85–90 % à 95–98 %. Et c’était gratuit.

Whisper n’avait pas besoin d’entraînement vocal. Il fonctionnait dans plus de 90 langues dès l’installation. Il gérait les accents, le bruit de fond et les termes techniques bien mieux que tout ce qui existait. Le modèle pouvait tourner en local sur du matériel grand public, éliminant les coûteuses API cloud.

Les services de transcription cloud comme Otter.ai, Rev et Descript se sont aussi améliorés drastiquement, propulsés par des modèles transformeurs similaires. La transcription de réunions est devenue courante. Le prix d’une transcription précise est tombé de centaines de dollars par licence à quelques centimes la minute.

Mais fondamentalement, le paradigme n’avait pas changé. Le logiciel vocal restait un substitut du clavier. Vous prononciez des mots, l’ordinateur les écrivait. C’était plus rapide et plus précis, mais ça restait de la transcription. L’ordinateur ne comprenait pas ce que vous disiez ni ce que vous vouliez faire.

La vraie révolution a commencé quand les interfaces vocales ont rencontré les grands modèles de langage. Au lieu de simplement écrire ce que vous dites, l’IA comprend désormais ce que vous voulez dire et agit. C’est le passage de la dictée à l’agent IA.

Les agents vocaux IA modernes comme Whisper by Remskill combinent reconnaissance vocale et intelligence de niveau GPT. Vous ne dictez pas juste du texte — vous donnez des ordres. « Recherche les dernières tendances en énergies renouvelables et écris un paragraphe de synthèse. » L’IA fouille le web, lit les sources et écrit le paragraphe pour vous. Tout à la voix, sans quitter votre application.

Les commandes personnalisées vont plus loin. Vous pouvez créer des workflows déclenchés par la voix : « Corrige la grammaire de cet e-mail », « Traduis en espagnol » ou « Explique ce code. » Chaque commande lance une opération IA spécifique sur le texte ou le contexte sélectionné. C’est comme avoir un assistant personnel capable de tout, déclenché par un seul raccourci.

Le changement fondamental est le suivant : les logiciels vocaux ne servent plus à taper plus vite. Ils servent à faire des choses qu’on ne pouvait pas faire avant.

À l’ère de la dictée, la proposition de valeur, c’était la vitesse. Parler est 3–4 fois plus rapide que taper. Utile, mais limité. Vous deviez encore réfléchir à quoi écrire, structurer vous-même, et chercher manuellement les informations.

À l’ère de l’agent IA, la proposition de valeur, c’est la capacité. Vous pouvez rechercher un sujet, écrire un premier jet, le traduire, vérifier les faits et le formater pour publication — le tout à la voix, sans changer d’application, en une fraction du temps habituel.

Ce n’est pas une amélioration incrémentale. C’est un changement de catégorie. L’ancienne question était « à quelle vitesse puis-je taper à la voix ? » La nouvelle est « que puis-je accomplir à la voix ? » Et la réponse, de plus en plus, c’est : presque tout.

L’ère de l’agent IA ne fait que commencer. Voici ce qui arrive dans les 1–2 prochaines années, d’après la recherche actuelle et les feuilles de route produit.