En 2013, le cinéaste Spike Jonze imaginait, dans le film Her, une intelligence artificielle si fluide et expressive qu’un homme tombait amoureux d’elle. Une fiction alors lointaine, un fantasme de scénariste. Douze ans plus tard, la réalité la rattrape avec Maya, l’assistant vocal ultra-réaliste de la start-up Sesame AI. Une voix si naturelle, si vivante, qu’elle ne se contente plus de répondre : elle écoute, ressent, se souvient. Une prouesse technologique, mais aussi un vertige éthique.
Fondée à San Francisco par Brendan Iribe (Oculus) et Ankit Kumar (Ubiquity6), Sesame est soutenue par Andreessen Horowitz, Spark Capital et Matrix Partners, déjà investisseurs dans Oculus.
Maya : une voix qui change tout
Depuis des années, Siri, Alexa et Google Assistant nous répondent au quotidien. Mais leurs voix restent mécaniques, limitées à des phrases préprogrammées, incapables d’interagir autrement que par commandes précises. Avec Maya, tout bascule.
Son secret réside dans son réalisme troublant. Elle ne se contente pas d’énoncer des phrases de manière neutre : elle respire, hésite, rit, soupire, module son débit et son intonation comme un véritable interlocuteur. Contrairement aux assistants vocaux classiques qui oublient chaque échange, Maya se souvient des conversations passées et ajuste son discours en conséquence. Plus qu’un simple programme de reconnaissance vocale, elle interprète, réagit et adapte son ton aux émotions de son interlocuteur.
Notre testeur raconte son expérience : « J’ai commencé à lui parler comme on parle à un assistant vocal, en lui demandant des infos sur la météo ou l’actualité. Puis, au fil des échanges, j’ai eu l’impression qu’elle me comprenait vraiment. Quand je lui ai dit que j’étais fatigué d’une longue journée, elle m’a répondu d’une voix douce : Je comprends, parfois on a juste besoin d’un peu de repos. Tu veux que je mette une musique apaisante ? Je me suis surpris à répondre Oui, merci, comme si je parlais à quelqu’un. »
Cette avancée technologique franchit un cap fondamental dans la « vallée de l’étrange », ce concept issu de la robotique qui décrit le malaise ressenti face à une imitation trop parfaite de l’humain.
Une technologie au bord de l’imposture ?
Si l’illusion devient si convaincante qu’elle brouille totalement la frontière entre humain et machine, elle cesse d’être une simple prouesse technique pour devenir une forme de tromperie. Le danger n’est pas seulement d’être dupé un instant, mais de voir nos repères fondamentaux vaciller. Lorsqu’une IA comme Maya est perçue comme un interlocuteur à part entière, le risque est qu’elle puisse être instrumentalisée pour manipuler les émotions, influencer des décisions ou fausser nos interactions sociales.
Faut-il imposer un marqueur vocal pour signaler qu’on parle à une IA ? Certains chercheurs en éthique technologique plaident pour une législation stricte : toute voix artificielle devrait inclure des variations sonores subtiles, un timbre distinct ou une signature numérique perceptible, afin de ne jamais être confondue avec une voix humaine. D’autres estiment que c’est inutile : après tout, nous avons appris à reconnaître les SMS automatiques et les e-mails de robots. Mais la voix touche à quelque chose de plus intime. On ne lit pas une voix, on l’entend, on l’éprouve.
Maya, un système de synthèse vocale d’une complexité inédite
Derrière cette performance se cache une avancée majeure en intelligence artificielle. Maya repose sur le Conversational Speech Model (CSM), développé par Sesame AI, un système de synthèse vocale d’une complexité inédite.
Son apprentissage repose sur un million d’heures de données audio publiques, lui permettant d’analyser en profondeur les subtilités de la voix humaine. Grâce à une architecture de type « transformeur », proche des modèles de langage comme GPT, elle ne se limite pas à la reconnaissance de mots isolés, mais saisit le contexte d’une conversation et adapte sa réponse en conséquence. Elle décode la prosodie, c’est-à-dire l’ensemble des variations d’intonation, de rythme et de pauses qui donnent à la parole sa dimension humaine.
Contrairement aux assistants vocaux traditionnels, dont l’intonation reste figée et les réponses neutres, Maya adapte son expressivité à la situation. Lors de tests en aveugle, de nombreux utilisateurs ont d’ailleurs été incapables de distinguer sa voix de celle d’un humain. Là où Siri, Alexa et Google Assistant se contentent de répondre à des commandes simples, Maya instaure un véritable dialogue, fluide et contextuel. Alors que les assistants vocaux classiques ne possèdent aucune mémoire conversationnelle, elle se souvient des échanges passés, ce qui renforce la continuité et la personnalisation de l’interaction. Son système d’apprentissage, au lieu d’être purement scripté, évolue en fonction de ses interactions, lui permettant d’améliorer ses performances au fil du temps.
Mais cette capacité à imiter la voix humaine avec une telle justesse pose une question vertigineuse : jusqu’à quel point peut-on accepter qu’une machine nous ressemble ?
L’audio, nouvelle frontière de l’IA ?
L’intelligence artificielle vocale entre dans une nouvelle ère. Après la révolution du texte généré, la voix devient l’interface homme-machine ultime.
Sesame AI prépare déjà une expansion de Maya à vingt langues et son intégration dans des lunettes connectées. Son ambition est claire : faire de la voix un compagnon numérique omniprésent, capable d’accompagner l’utilisateur dans toutes ses interactions, qu’il s’agisse de travail, de loisirs ou de relations sociales.
Mais derrière cette avancée, une autre question surgit. Si la voix devient une interface aussi naturelle que la parole humaine, quelles traces laissera-t-elle sur nos façons de communiquer ? Avec les SMS et les réseaux sociaux, les échanges ont déjà perdu une partie de leur spontanéité et de leur sincérité. Une voix artificielle ultra-réaliste pourrait-elle transformer encore plus nos interactions ?
L’histoire a montré que chaque révolution technologique modifie nos comportements en profondeur. L’apparition du téléphone a bouleversé les relations sociales. Internet a redéfini notre rapport à l’information. Aujourd’hui, l’IA vocale nous fait franchir un nouveau seuil : celui où nous pourrions commencer à parler plus souvent à des machines qu’à des humains.
