1MarkTechPost
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.
