Service 07
Chatbot vocal & voicebot
Votre standard téléphonique, augmenté par l'IA.
Sorti de l'atelier
La preuve par nos projets.
Pas de promesses : des systèmes en production, et pourquoi ils comptent.
Vos agents, sur mesure.
Trois exemples concrets de ce que nos agents exécutent, étape par étape, dépliez chaque nœud. Le vôtre sera dessiné pour votre métier.
L'agent de réservation qui ne dort jamais
Demande client
WhatsApp, site ou téléphone
Le client écrit à 23 h ? L'agent répond en quelques secondes, dans sa langue.
Agent d'accueil
comprend la demande
Dates, nombre de personnes, budget, occasion : tout est extrait, reformulé et confirmé.
Disponibilités
calendrier en direct
Branché sur votre planning réel : jamais de double réservation.
Proposition + surclassement
vend, poliment
Suggère la chambre supérieure ou le petit-déjeuner quand c'est pertinent, jamais de forcing.
Paiement sécurisé
dans la conversation
Acompte encaissé par lien de paiement, reçu envoyé immédiatement.
Réservation confirmée
+ rappel automatique J-1
Confirmation, itinéraire, rappel la veille : plus de no-show surprise.
Plus qu'un IVR à touches, nos voicebots tiennent une vraie conversation : ils identifient le besoin, donnent l'information utile, prennent un message structuré ou transfèrent vers le bon interlocuteur. Idéal pour absorber les pics, qualifier les leads, ou ouvrir un canal 24/7.
Expertise
Bénéfices
Absorbe les pics d'appels sans recruter.
Voix naturelle, latence faible, mémoire du contexte.
Mesure du taux de résolution et qualité des transferts.
Stack technique
Livrables
- Flux conversationnels & garde-fous
- Voix française naturelle (TTS de qualité)
- Intégration au standard (SIP) ou numéro dédié
- Transcripts & analytics
- Reprise humaine (escalade)
Notre approche
- 01
Cadrage
Cas d'appel, scripts, garde-fous.
- 02
Pilote
Petit volume, écoute des transcripts.
- 03
Mise à l'échelle
Optimisation et nouveaux flux.
Engagements mesurables
Ce que nous nous engageons à délivrer
< 800 ms
Latence end-to-end perçue (parole vers parole)
< 8 %
Taux d'erreur de transcription (WER) en conditions réelles
< 20 %
Taux de transfert vers opérateur humain
− 30 % vs baseline
Durée moyenne de traitement d'un appel (AHT)
≥ 85 %
Taux d'appels aboutis sans abandon utilisateur
Inclus dans la mission
- ✓Configuration ASR, LLM, TTS et provisionnement des numéros via Twilio ou OVH
- ✓Conception des flux conversationnels, gestion d'interruption (barge-in) et silences
- ✓Intégration au SI : CRM, agenda, base de connaissances, ticketing, paiement sécurisé
- ✓Politique d'escalade vers conseiller humain, file d'attente et routage compétences
- ✓Enregistrement conforme, transcription, scoring qualité et tableau de bord supervision
Hors scope
- ×Fourniture et acheminement opérateur des numéros surtaxés ou internationaux spéciaux
- ×Doublage par comédien voix off, design sonore avancé ou musique d'attente personnalisée
- ×Garantie de fonctionnement sur réseaux téléphoniques dégradés (zones blanches, GSM faible)
- ×Hébergement des conseillers humains de débordement ou prestation de centre d'appel
- ×Conformité PCI-DSS niveau 1 sans architecture de paiement déjà certifiée en amont
Cas d'usage
Support 24/7
Première ligne, suivi de dossier.
Qualification de leads
Pré-qualifie avant un commercial.
Prise de rendez-vous
Cabinets, services, hôtellerie.
État de l'art, juin 2026
Notre vision technique
Stack voice 2026, ASR, LLM, TTS, speech-to-speech
L'architecture canonique reste le pipeline tripartite STT-LLM-TTS, dominé côté reconnaissance par Deepgram Nova-3 (WER interne 5,26 % sur anglais général, transcription sous 300 ms), Whisper large-v3-turbo d'OpenAI (4 couches de décodeur contre 32, distillation pour le streaming) et Cartesia Ink-Whisper pour l'embarqué. Le LLM cœur se choisit entre GPT-realtime, Gemini 2.5 Flash Native Audio (70 langues, audio natif sans transcodage) et Claude Sonnet 4.5 orchestré via texte. Sur le TTS streaming, Cartesia Sonic 3.5 atteint 40 ms time-to-first-audio en architecture State Space Model, ElevenLabs Flash v2.5 tourne autour de 75 ms, et Inworld Realtime TTS 1.5 tient un P90 sous 130 ms en tier Mini. La bascule structurante de 2025-2026 reste l'API Realtime full-duplex d'OpenAI (modèle gpt-realtime, GA août 2025), qui supprime la concaténation en traitant directement audio vers audio dans un modèle unique.
Latence cible, franchir la barre des 500 ms
La conversation humaine naturelle s'établit autour de 200 à 500 ms de turn-taking. Au-delà de 800 ms l'utilisateur perçoit du retard, au-delà de 1 500 ms l'échange paraît cassé. Le seuil industriel viable en 2026 est sub-500 ms end-to-end, l'idéal sub-300 ms. Les techniques cumulatives sont : streaming des transcriptions partielles côté ASR (Nova-3 livre 150 ms P50 TTFT en région US), VAD locale type Silero à 20 ms contre 100-300 ms en cloud, endpointing sémantique (smart turn detection combinant signaux acoustiques et indices linguistiques), speculative response (déclencher le LLM avant fin de tour confirmée), et chunked TTS streaming. Le défaut de VAD à 500 ms est devenu un piège classique : descendre à 250 ms en compensant par des fillers d'écoute. En production, Retell tient 600-800 ms, Vapi oscille 700-1 500 ms selon configuration, l'API Realtime native franchit régulièrement la barre sub-500 ms.
Plateformes voice agents, open source, managed, télécom
LiveKit Agents (1.0 avril 2025, Python 1.5.x en 2026 avec MCP natif et adaptive interruption) reste la référence open source self-hosted, modulaire sur tout STT/LLM/TTS via plugins, exploitant WebRTC pour le transport. Vapi joue l'orchestration BYO-LLM/TTS/STT, facturé environ 0,05 $ par minute de base (0,20-0,33 $ effectif). Retell AI privilégie l'infrastructure managée et la latence (autour de 600 ms), 0,07-0,31 $ par minute. Voiceflow, Synthflow, Cresta visent davantage l'enterprise et le no-code. Sur la couche télécom, Twilio reste l'incumbent (DIDs 100+ pays, BYOC vers transporteurs tiers) tandis que Telnyx commercialise une stack carrier-grade avec inférence GPU co-localisée, claims 30-70 % moins cher que Twilio. Les deux exposent un endpoint SIP routable vers l'API Realtime OpenAI. L'interconnexion s'opère soit via SIP trunk classique pour les centres d'appels, soit via WebRTC pour les flux web.
Téléphonie et déploiement, SIP, ARCEP, RGPD, fallback
L'intégration télécom s'appuie sur SIP standard, un SBC en bordure, et un opérateur déclaré. En France l'ARCEP a généralisé en 2024-2025 le Mécanisme d'Authentification du Numéro (MAN, loi 24 juillet 2020) : tout appel non authentifié est coupé. Depuis le 1er janvier 2026 tout appel international affichant un mobile français non authentifiable s'affiche en numéro masqué. La loi du 30 juin 2025 inverse le régime du démarchage : interdiction par défaut, opt-in explicite préalable, échéance été 2026. Côté US, STIR/SHAKEN reste obligatoire pour les fournisseurs VoIP, avec des amendes FCC de 10 000 $ à partir de février 2026 sur la Robocall Mitigation Database. La FCC classe depuis février 2024 les appels IA comme « artificial » au sens TCPA, imposant divulgation et transfert humain. En production, prévoir systématiquement un fallback humain (transfert SIP REFER) et un script IVR de remplacement progressif.
Évaluation et garde-fous, WER, barge-in, hallucination, RGPD
L'évaluation industrielle 2026 combine quatre familles de métriques. ASR : WER mesuré sur jeux réels (Nova-3 Multilingual a réduit le WER batch de 34 % en 2025), pas seulement benchmarks internes (Artificial Analysis donne 18,3 % sur Nova-3 contre 5,26 % en interne). Barge-in : cible 95 % de précision de détection, latence d'interruption sous 200 ms, taux de faux positifs et faux négatifs sous 5 %. Hallucination vocale : revue régulière des transcripts, scoring de répétition, détection de sentiment, plateformes type Hamming et Gladia exposent 50+ métriques builtin. Métriques business : taux de transfert humain, NPS post-appel, AHT (Average Handle Time), tests A/B versus IVR. Conformité RGPD française : la CNIL exige consentement libre, spécifique, informé, univoque, divulgation IA dès les premières secondes (AI Act article 50, applicable depuis février 2025), durée de conservation des enregistrements définie et limitée, interdiction absolue de tromper l'utilisateur sur la nature humaine ou IA de l'interlocuteur.
Références
- [1]LiveKit Agents Documentation. https://docs.livekit.io/agents/
- [2]Cartesia Sonic real-time TTS. https://www.cartesia.ai/sonic
- [3]ElevenLabs Turbo v2.5. https://elevenlabs.io/blog/introducing-turbo-v25
- [4]Deepgram Nova-3 introduction. https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
- [5]OpenAI gpt-realtime and Realtime API GA. https://openai.com/index/introducing-gpt-realtime/
- [6]Gemini Live API overview. https://ai.google.dev/gemini-api/docs/live-api
- [7]Whisper large-v3-turbo release notes. https://github.com/openai/whisper/discussions/2363
- [8]Adapting Whisper for Streaming Speech Recognition (arXiv 2506.12154). https://arxiv.org/abs/2506.12154
- [9]Telnyx voice AI agents latency comparison 2026. https://telnyx.com/resources/voice-ai-agents-compared-latency
- [10]ARCEP, authentification des numéros. https://www.arcep.fr/mes-demarches-et-services/acteurs-regules/operateurs-telecoms/fiches-pratiques/authentification-numeros-telephone-fixe-ou-mobile-que-faire-en-tant-que-operateur-telephonique.html
- [11]CNIL, recommandations sur les systèmes d'IA. https://www.cnil.fr/fr/ia-finalisation-recommandations-developpement-des-systemes-ia
- [12]Hamming AI voice agent evaluation metrics. https://hamming.ai/resources/voice-agent-evaluation-metrics-guide
Glossaire
Le vocabulaire essentiel
- ASR
- Automatic Speech Recognition, technologie convertissant la parole en texte en temps réel, fondation du voicebot, mesurée par le WER (Word Error Rate), exemples leaders : Deepgram, Whisper, Google Speech, AssemblyAI.
- TTS
- Text-to-Speech, synthèse vocale transformant le texte généré par le LLM en parole naturelle, évaluée sur naturel, expressivité et latence, fournisseurs de référence : Cartesia, ElevenLabs, OpenAI, PlayHT, Azure.
- Barge-in
- Capacité du voicebot à détecter qu'un utilisateur commence à parler et à interrompre immédiatement sa propre synthèse vocale, indispensable pour une conversation fluide, naturelle et perçue comme humaine par l'appelant.
- Endpointing
- Détection du moment où l'utilisateur a fini de parler, déclenchant la réponse du voicebot, paramètre critique : trop court coupe la parole, trop long crée des silences gênants qui dégradent l'expérience.
- WER
- Word Error Rate, métrique de qualité de la transcription mesurant le pourcentage de mots incorrectement transcrits, calculée sur un corpus de référence, cible sectorielle inférieure à 10 % en conditions de production réalistes.
- SIP
- Session Initiation Protocol, standard de signalisation téléphonique IP utilisé pour établir, gérer et terminer les appels voix sur IP, permettant de connecter le voicebot au réseau téléphonique public via un opérateur.
- AHT
- Average Handle Time, durée moyenne de traitement d'un appel incluant conversation et tâches post-appel, KPI central des centres de contact, le voicebot vise à le réduire sur les cas standardisés sans dégrader la qualité.
- DTMF
- Dual-Tone Multi-Frequency, signaux émis par les touches du clavier téléphonique, utilisés pour saisir numéro de dossier, code confidentiel ou choix de menu, complément utile à la reconnaissance vocale quand celle-ci est risquée.
FAQ
Chatbot vocal & voicebot, vos questions
Oui, via SIP ou numéro dédié. Nous nous branchons sans bouleverser votre infra.
