Luma Labs lance Uni-1 : le modèle Transformer autorégressif qui raisonne par intentions avant de générer des images

PolyAI lance Dialog-RSN-1, un modèle de dialogue audio-natif qui combine tour de parole, reconnaissance vocale, appel de fonctions et génération de réponse

PolyAI a dévoilé Dialog-RSN-1, un modèle de dialogue conçu pour percevoir directement l'audio d'un appelant plutôt que de lire une simple transcription. Le système fusionne en un seul modèle audio-natif la gestion des tours de parole, la reconnaissance vocale, l'appel de fonctions et la génération de réponse, et traite déjà des appels en production réelle. Contrairement aux modèles de type GPT Realtime ou Gemini Live, la synthèse vocale reste séparée, ce qui permet de garder un contrôle total sur la voix produite. Le modèle fonctionne à la demande, sollicité ponctuellement plutôt qu'en flux permanent monopolisant un GPU en continu : un détecteur d'activité vocale à haut rappel et quelques minuteurs décident du moment où l'interroger, et le premier jeton généré (VIDE, EN COURS ou TERMINÉ) détermine si l'agent doit prendre la parole. PolyAI annonce des temps de réponse inférieurs à 300 millisecondes, une hausse de 11% du taux de résolution sans transfert humain chez un groupe de restauration, et une baisse de 37% de la latence chez un assureur. Le lancement se limite pour l'instant à l'anglais, et l'accès passe exclusivement par la plateforme de PolyAI, sans poids ouverts ni API publique. Cette annonce compte parce qu'elle cible directement les grandes entreprises à fort volume d'appels, dans des secteurs comme la restauration, l'assurance, les services financiers, la santé, l'hôtellerie, le commerce de détail, les télécommunications, le voyage ou les services publics, pour des usages tels que la réservation, la facturation, l'authentification, le routage d'appels ou la gestion de commandes. PolyAI revendique plus de 100 clients entreprises et plus de 2000 déploiements actifs, chiffres mis en avant lors de sa levée de série D de 86 millions de dollars en décembre 2025. Les développeurs indépendants et les petites entreprises ne sont pas visés : les clients existants peuvent activer la fonctionnalité dès maintenant, les nouveaux doivent demander un accès anticipé. L'enjeu technique dépassé est important, car les architectures existantes présentent chacune des limites : les systèmes en cascade perdent le ton et l'hésitation du locuteur en ne transmettant au modèle de langage que le texte transcrit, tandis que les modèles de parole à parole intègrent la voix directement dans le modèle, réduisant le contrôle sur la prononciation et nécessitant un GPU dédié pendant tout l'appel. Pour construire Dialog-RSN-1, PolyAI a affiné des modèles multimodaux à poids ouverts par apprentissage supervisé puis par renforcement sur ses propres données, en évaluant des bases comme Gemma, GPT-OSS, Qwen et Mistral, avec des tailles allant de 8 milliards de paramètres denses à 30 milliards en configuration éparse pour tenir l'objectif de latence sur GPU A100. Plusieurs optimisations ont permis d'atteindre ces performances : préremplissage du cache d'attention pendant que l'utilisateur parle, gabarit de prompt qui minimise l'invalidation du cache, routage systématique de chaque appelant vers le même GPU, et un module de génération spéculative affiné acceptant en moyenne 3,9 jetons. Les évaluations internes, menées sur un benchmark baptisé Dialog-Eval que l'entreprise prévoit de publier en open source, placent Dialog-RSN-1 en tête des modèles compatibles avec le temps réel, tandis que le taux d'erreur de transcription du système reste inférieur à celui de gpt-4o-transcribe. PolyAI prévoit de publier un rapport technique complet ainsi qu'un article scientifique détaillant Dialog-Eval, et recommande pour l'instant son modèle Raven 3.5 pour les usages non anglophones ou le chat web enrichi.

💬 Reste à voir si les 2000 déploiements tiennent la charge, mais l'idée de séparer la synthèse vocale du reste, ça c'est malin. Ça évite le piège des modèles parole à parole qui bouffent un GPU en continu pour un appel qui dure trois minutes. Ce que révèle surtout ce lancement, c'est que le marché du centre d'appels IA bascule d'une course à la démo vers une course à la marge, où gagner 300ms ou 11% de résolution sans transfert humain vaut plus cher qu'un modèle "impressionnant" en labo.

IBM publie deux modèles Granite Speech 4.1 2B : ASR autorégressif avec traduction et édition non-autorégressive rapide

IBM a mis en ligne deux nouveaux modèles de reconnaissance vocale open source, Granite Speech 4.1 2B et Granite Speech 4.1 2B-NAR, disponibles sur Hugging Face sous licence Apache 2.0. Ces modèles compacts d'environ 2 milliards de paramètres visent à résoudre un problème classique des équipes IA en entreprise : les systèmes de transcription automatique performants exigent généralement des ressources de calcul importantes, tandis que les solutions légères sacrifient la précision. Les deux modèles partagent une architecture en trois composants, un encodeur audio, un adaptateur de modalité et un modèle de langage, mais divergent sur le mécanisme de décodage. Le modèle standard prend en charge la transcription multilingue et la traduction bidirectionnelle en anglais, français, allemand, espagnol, portugais et japonais. La variante NAR (non-autorégressif) se concentre uniquement sur la transcription, sans le japonais ni la traduction, mais avec des temps de réponse nettement plus rapides. IBM a également lancé discrètement une troisième variante, Granite Speech 4.1 2B-Plus, qui ajoute l'attribution par locuteur et des horodatages au niveau du mot. Sur le leaderboard Open ASR d'avril 2026, le modèle principal affiche un taux d'erreur sur les mots (WER) moyen de 5,33%, avec 1,33% sur le benchmark LibriSpeech clean, des résultats compétitifs pour un modèle de cette taille. L'intérêt concret de ces modèles réside dans leur efficacité à l'inférence. La version NAR utilise un modèle de langage bidirectionnel de 1 milliard de paramètres qui corrige la transcription en une seule passe, sans générer les tokens un à un comme le font les architectures autorégressives classiques. Cela réduit considérablement la latence, ce qui en fait une option sérieuse pour les applications temps réel, centres d'appels, sous-titrage en direct, assistants vocaux embarqués. Pour les équipes qui ont besoin de traduction ou de transcription en japonais, le modèle autorégressif standard reste nécessaire, mais la version NAR offre un avantage décisif dès que la vitesse prime sur la polyvalence. IBM s'inscrit ici dans une tendance de fond : la course aux modèles de reconnaissance vocale ouverts et compétitifs s'est intensifiée depuis qu'OpenAI a publié Whisper en 2022. Plusieurs acteurs, dont Meta et Nvidia, ont depuis proposé leurs propres alternatives, chacun cherchant à optimiser le rapport précision/coût computationnel. La famille Granite, déjà connue pour ses modèles de langage orientés entreprise, s'étend désormais à l'audio avec une approche modulaire et documentée, ce qui facilite l'intégration dans des pipelines existants. La publication sous licence Apache 2.0 permet un usage commercial sans restriction, ce qui devrait accélérer l'adoption dans des secteurs comme la santé, la finance ou les médias, où la transcription précise et souveraine est un enjeu stratégique.

Luma ouvre l'API de son modèle image Uni-1.1 avec des tarifs et une qualité comparables à OpenAI et Google

Luma AI ouvre l'accès à son modèle de génération d'images Uni-1.1 via une API publique, à partir de 0,04 dollar par image en résolution 2 048 pixels. Le modèle intègre nativement une recherche web, un module de raisonnement et la prise en charge de jusqu'à neuf images de référence pour guider la génération. Sur le classement Arena, référence indépendante d'évaluation des modèles, Uni-1.1 se positionne troisième, immédiatement derrière les offres de Google et d'OpenAI. Ce lancement positionne Luma comme un concurrent direct des deux géants du secteur, avec une tarification alignée sur leurs niveaux de prix tout en revendiquant une qualité comparable. Pour les développeurs et les entreprises, l'arrivée d'un troisième acteur crédible dans cette tranche de performance élargit les options et pourrait exercer une pression à la baisse sur les tarifs. La présence de fonctions comme le raisonnement intégré et la recherche web distingue Uni-1.1 des API d'images traditionnelles, qui se limitent généralement à la génération brute. Luma, connu pour son modèle vidéo Dream Machine lancé en 2024, diversifie ainsi son offre vers la génération d'images statiques de haute qualité. Le marché des API de génération visuelle s'est considérablement densifié ces derniers mois, avec des acteurs comme Stability AI, Ideogram ou Recraft qui cherchent tous à capter une part des budgets des équipes produit et créatives. La stratégie de Luma mise sur la combinaison qualité-prix et les fonctionnalités avancées pour s'imposer dans un espace de plus en plus encombré.

L'Uni-1 de Luma AI pourrait être le premier vrai rival à la domination de Google Nano Banana en génération d'images

Luma AI vient de dévoiler Uni-1, un modèle d'intelligence artificielle qui ambitionne de bousculer l'hégémonie établie par Google et OpenAI dans la génération d'images. Sa particularité : une architecture unifiée qui combine à la fois la compréhension et la création d'images au sein d'un même système, capable de raisonner activement sur les prompts au fur et à mesure qu'il génère les visuels. L'enjeu est considérable dans un secteur où Google s'est imposé comme référence incontournable avec ses modèles de génération d'images, notamment dans le segment dit "Nano Banana". Jusqu'ici, peu de concurrents avaient réussi à challenger sérieusement cette domination. Uni-1 représente une approche architecturale différente, en supprimant la séparation traditionnelle entre les modules de perception et de synthèse visuelle, une piste que la communauté de recherche suit avec intérêt depuis plusieurs années. L'originalité technique d'Uni-1 réside dans sa capacité à "raisonner" pendant la génération, à la manière des modèles de type chain-of-thought appliqués au texte. Cette architecture unifiée distingue le modèle de Luma AI des approches en pipeline classiques où compréhension et génération restent des étapes séparées. La société, déjà connue pour ses outils de génération vidéo, monte ainsi en gamme sur le marché de l'image fixe, se positionnant directement face aux offres phares d'OpenAI (DALL·E, gpt-image-1) et de Google (Imagen). Si les premières démonstrations confirment les ambitions de Luma AI, Uni-1 pourrait redéfinir les standards d'évaluation pour la génération d'images, un marché en pleine consolidation où l'intégration raisonnement-génération s'impose progressivement comme le prochain axe de différenciation majeur.