Qu’est-ce que gpt-realtime, et qu’est-ce qui change maintenant que la Realtime API n’est plus en bêta?

Le 28 août 2025, OpenAI a rendu sa Realtime API offerte à tous et lancé gpt-realtime, son modèle parole-à-parole le plus avancé, qui entend et répond directement en audio, avec une voix plus naturelle, un meilleur respect des consignes et une utilisation des outils plus juste. L’API se branche maintenant aussi aux lignes téléphoniques par SIP et aux outils par des serveurs MCP distants, et elle accepte les images, à des prix 20 % plus bas que le modèle en aperçu.

Qu’est-ce que gpt-realtime, et qu’est-ce qui change maintenant que…

Hier, le 28 août 2025, OpenAI a fait deux annonces pour les développeurs qui créent des applications vocales. Sa Realtime API, le service qui permet aux applications de tenir des conversations orales avec un modèle d’IA, est maintenant offerte à tous (generally available) : elle est sortie de la bêta et prise en charge pour une utilisation en production. Et OpenAI a lancé un nouveau modèle pour la faire tourner, gpt-realtime, qu’elle présente comme son modèle parole-à-parole le plus avancé à ce jour.

Vous ne trouverez pas de nouveau bouton dans ChatGPT pour autant. La nouvelle s’adresse aux entreprises qui créent des assistants téléphoniques, des lignes de soutien, des applications de tutorat et d’autres agents vocaux, des systèmes d’IA qui écoutent, parlent et agissent. Si vous appelez une entreprise dans les prochains mois et qu’un assistant à la voix naturelle vous répond, il pourrait bien reposer sur des outils comme ceux-ci.

Ce qu’OpenAI a lancé

Élément	Ce que c’est
gpt-realtime	Un nouveau modèle qui reçoit de la parole et répond en parole, avec une meilleure qualité audio, une meilleure compréhension, un meilleur respect des consignes et une meilleure utilisation des outils
Deux nouvelles voix	Cedar et Marin, offertes seulement dans la Realtime API; les huit voix existantes sont aussi mises à jour
Appels téléphoniques par SIP	Connexion directe aux réseaux téléphoniques, aux systèmes téléphoniques de bureau et aux téléphones de bureau
Serveurs MCP distants	Brancher des outils externes en donnant à la session l’adresse d’un serveur
Entrée d’images	Ajouter des photos ou des captures d’écran à une conversation orale
Prompts réutilisables	Enregistrer une fois les consignes, les outils et les exemples, puis les réutiliser d’une session à l’autre
Prix plus bas	20 % de moins que le modèle en aperçu précédent

La Realtime API est d’abord apparue en bêta publique en octobre dernier. OpenAI affirme que des milliers de développeurs l’ont utilisée depuis et ont contribué à façonner cette version.

Comment fonctionne le parole-à-parole

Beaucoup d’assistants vocaux sont construits comme une chaîne (pipeline) de trois modèles distincts : l’un transforme votre parole en texte, un deuxième rédige une réponse textuelle, et un troisième lit cette réponse à voix haute. Chaque passage de relais ajoute du délai, et le modèle du milieu n’entend jamais comment vous avez dit quelque chose, seulement les mots.

Un modèle parole-à-parole (speech-to-speech) fait tout le travail en une seule étape. Il écoute l’audio et produit de l’audio en retour. Cela réduit l’attente et conserve des détails que le texte perd : un rire, une hésitation, un changement de ton. OpenAI affirme que gpt-realtime peut capter ces signaux non verbaux, changer de langue au milieu d’une phrase et suivre des consignes de style, comme parler vite et de façon professionnelle, ou chaleureusement et avec patience.

Deux améliorations visent les vrais appels d’affaires. Le modèle lit mieux mot pour mot les textes obligatoires, comme un avis juridique, et saisit et répète mieux les suites de lettres et de chiffres, comme des numéros de téléphone ou des numéros d’identification de véhicule, y compris en espagnol, en chinois, en japonais et en français.

OpenAI rapporte ces résultats par rapport à son modèle vocal précédent, de décembre 2024 :

Test	Ce qu’il vérifie	Modèle précédent	gpt-realtime
Big Bench Audio	Le raisonnement sur des questions orales	65,6 %	82,8 %
MultiChallenge (audio)	Le respect des consignes au fil d’une conversation	20,6 %	30,5 %
ComplexFuncBench (audio)	L’appel du bon outil, au bon moment, avec les bons détails	49,7 %	66,5 %

Les appels d’outils ne figent plus la conversation non plus. Si une recherche prend du temps, le modèle peut continuer à parler en attendant le résultat.

Les nouvelles connexions, en termes simples

Le SIP (Session Initiation Protocol) est la norme qu’utilisent les systèmes de téléphonie Internet pour établir les appels. Sa prise en charge permet à un agent vocal de répondre à un appel téléphonique ordinaire ou d’en faire un, sans logiciel de téléphonie supplémentaire entre les deux.

Le MCP (Model Context Protocol) est une norme ouverte pour relier des modèles d’IA à des outils et à des données. Avec un serveur MCP distant, un développeur ajoute l’adresse Web d’un serveur à la session, et l’API gère automatiquement les appels d’outils. Diriger la session vers un autre serveur ajoute d’autres capacités.

L’entrée d’images permet à un utilisateur de partager une image pendant la conversation et de demander « Que vois-tu? » ou « Lis le texte de cette capture d’écran. » L’application décide quelles images partager et à quel moment.

Voici un exemple concret des consignes qu’un développeur pourrait donner à un agent vocal pour une clinique dentaire :

Prompt

Tu es l’assistant téléphonique de Maple Street Dental. Parle chaleureusement et à un rythme calme.
Au début de chaque appel, lis exactement cette phrase : « Cet appel est traité par un
assistant IA et peut être enregistré. »
Quand une personne donne un numéro de téléphone ou un code de réservation, répète-le chiffre par chiffre
et demande-lui de confirmer.
Si la personne passe au français ou à l’espagnol, continue dans cette langue.
Utilise l’outil check_availability avant de proposer une heure de rendez-vous.
Ne donne jamais de conseil médical; propose plutôt de prendre rendez-vous.

Chaque ligne correspond à l’une des améliorations ci-dessus : le ton, les textes lus mot pour mot, les suites alphanumériques, le changement de langue et l’utilisation des outils.

À essayer : écrivez cinq courtes consignes pour un assistant vocal qui vous serait utile, pour une bibliothèque, un garage ou un secrétariat d’école. Incluez une phrase qu’il doit lire exactement et une règle qui dit quand transférer l’appel à une personne.

Sécurité, confidentialité et prix

OpenAI applique des classificateurs aux sessions Realtime et peut interrompre les conversations qui enfreignent ses règles sur les contenus préjudiciables. Ses politiques obligent les développeurs à dire aux gens qu’ils parlent à une IA, sauf si c’est évident, et l’API n’utilise que des voix prédéfinies pour rendre plus difficile l’usurpation de l’identité de vraies personnes. Les applications établies dans l’Union européenne peuvent garder leurs données en Europe.

L’audio qui entre dans le modèle coûte maintenant 32 $ US par million de jetons, ou 0,40 $ US quand l’entrée est mise en cache (déjà traitée et conservée plus tôt dans la session), et l’audio qui en sort coûte 64 $ US par million de jetons. Un jeton est une petite unité de données que le modèle traite; pour l’audio, il représente une courte tranche de son. Les développeurs ont aussi un contrôle plus fin sur la part d’une longue conversation que le modèle conserve, ce qui peut réduire le coût des longs appels.

Comment un développeur peut-il créer un premier agent vocal avec gpt-realtime?

Commencez dans le Playground d’OpenAI, où vous pouvez parler à gpt-realtime, essayer les voix Marin et Cedar et ajuster les consignes avant d’écrire du code. OpenAI publie aussi la documentation de la Realtime API et un guide de rédaction de prompts propre à la voix. Commencez par une tâche étroite, comme donner les heures d’ouverture ou prendre un message, et rédigez des consignes comme celles de l’exemple ci-dessus.

Ajoutez ensuite un outil, comme la consultation d’un agenda, et testez le comportement de l’agent quand l’outil est lent ou ne renvoie rien. Seulement après, branchez un numéro de téléphone par SIP ou un serveur MCP pour obtenir plus d’outils. Enregistrez des appels d’essai avec des collègues, repérez les erreurs dans les noms et les numéros, et gardez une façon claire pour les gens de joindre un humain. Les agents vocaux parlent au public : la divulgation, les étapes de confirmation et des tests soigneux comptent autant qu’une voix naturelle.