La nouvelle génération de l’assistant vocal OpenAI révolutionne avec le GPT-4o

OpenAI a dévoilé GPT-4o, un modèle pensé pour parler, voir et écouter en même temps. La promesse : un assistant vocal qui répond presque instantanément, qui s'interrompt et se laisse interrompre comme dans une vraie conversation, et qui comprend aussi bien votre voix que ce que montre la caméra de votre téléphone. Présenté lors d'une démonstration en direct depuis San Francisco par Mira Murati, alors directrice de la technologie d'OpenAI, ce « o » pour omni marque une étape : une seule et même IA gère désormais le texte, l'audio et l'image, sans passer par plusieurs outils mis bout à bout.

Ce qui change vraiment avec GPT-4o

Jusqu'ici, parler à un assistant vocal reposait sur une chaîne d'outils : un premier modèle transcrivait votre voix en texte, un deuxième générait une réponse écrite, un troisième la transformait en audio. À chaque étape, des informations se perdaient — l'intonation, les rires, les bruits autour de vous — et le délai s'allongeait.

GPT-4o fonctionne autrement. C'est un modèle unique, entraîné de bout en bout sur le texte, l'audio et l'image. Il « entend » directement le son, ce qui lui permet de saisir le ton, l'émotion ou l'ironie, et de répondre par une voix elle-même expressive. Résultat : la latence chute fortement et l'échange ressemble enfin à un dialogue, pas à une suite de questions-réponses séparées par de longs silences.

Répondre presque en temps réel

Lors de la démonstration, l'assistant réagissait quasi instantanément, à un rythme proche de celui d'une conversation humaine. On pouvait lui couper la parole pour rectifier une demande, et il enchaînait sans repartir de zéro. Cette réactivité, plus que n'importe quelle prouesse technique isolée, est ce qui a frappé le public : l'attente, frein historique des assistants vocaux, s'efface.

Voir, entendre, parler : un assistant multimodal

La grande nouveauté de GPT-4o tient à sa capacité à combiner plusieurs sens dans un même échange. Pendant les démonstrations, le modèle a analysé un flux vidéo en direct : on lui montrait une scène via la caméra, et il la commentait à voix haute. Il a aussi été sollicité pour aider à résoudre un problème de mathématiques écrit sur une feuille, en guidant pas à pas plutôt qu'en donnant la réponse toute faite.

Autre démonstration marquante : la traduction en direct entre deux interlocuteurs parlant des langues différentes, l'assistant servant d'intermédiaire qui restitue chaque phrase dans l'autre langue. De quoi imaginer des usages concrets : voyage, accompagnement scolaire, accessibilité pour les personnes malvoyantes, assistance technique guidée par la caméra.

Une voix qui s'adapte à vous

GPT-4o ne se contente pas de réciter du texte d'une voix neutre. Il module le débit, l'intonation, et peut même répondre avec une pointe d'humour ou de chaleur selon le contexte. Cette expressivité, séduisante sur le papier, soulève aussi des questions : à mesure que la machine paraît plus « humaine », la frontière entre outil et interlocuteur devient plus floue, un point que les chercheurs en IA appellent régulièrement à surveiller.

À quoi ça peut servir au quotidien

Au-delà de l'effet « waouh » des démonstrations, GPT-4o vise des usages pratiques :

• Apprentissage : expliquer une équation, un texte ou une notion, en s'adaptant au niveau de la personne et en reformulant si besoin.
• Programmation : lire un extrait de code à l'écran, le commenter à voix haute et suggérer des pistes de correction.
• Langues : traduire à la volée, corriger une prononciation, jouer le rôle de partenaire de conversation.
• Travail : dicter des notes, résumer un document, préparer un brouillon de message en discutant à l'oral.

Ces capacités existaient en partie dans les modèles précédents, mais souvent de façon cloisonnée. L'apport de GPT-4o, c'est de les réunir dans un échange unique, vocal et visuel, plus naturel à utiliser.

La présentation, en direct depuis San Francisco

C'est Mira Murati, directrice de la technologie d'OpenAI au moment de l'annonce, qui a piloté la présentation depuis San Francisco. Dans un cadre volontairement sobre et chaleureux, elle a enchaîné les démonstrations en direct, retransmises en ligne pour le monde entier — un choix risqué, car les démonstrations en temps réel laissent peu de place à la mise en scène et exposent les éventuels ratés.

OpenAI a par ailleurs indiqué vouloir rendre les capacités de GPT-4o largement accessibles, y compris à des utilisateurs gratuits, le modèle étant aussi plus rapide et moins coûteux à faire tourner que ses prédécesseurs. Le déploiement des fonctions vocales et vidéo les plus avancées, lui, a été annoncé comme progressif, ce qui est habituel pour ce type de technologie.

Les enjeux et ce qui se joue derrière

Un assistant aussi convaincant pose des questions qui dépassent la technique. Plus une IA imite la voix et les émotions humaines, plus le risque de confusion ou d'attachement existe ; la fiabilité des réponses reste également un point de vigilance, car un modèle peut se tromper avec aplomb. La gestion des données — ce que voient la caméra et le micro — et le respect de la vie privée font partie des sujets que les régulateurs et les utilisateurs suivent de près.

GPT-4o s'inscrit aussi dans une course mondiale : les grands acteurs de la tech avancent vite sur l'IA, parfois au prix de tensions internes ou juridiques. OpenAI a ainsi connu des départs marquants, comme celui de son cofondateur Ilya Sutskever, et fait face à des contentieux, notamment des poursuites de journaux américains sur le droit d'auteur. La question des données d'entraînement reste centrale, comme l'illustrent ses accords pour exploiter le contenu de plateformes comme Reddit. Le terrain de la recherche assistée par IA bouge lui aussi, à l'image de Google et ses AI Overviews.

À retenir

• GPT-4o (« o » pour omni) est un modèle unique qui gère texte, audio et image dans le même échange.
• Il répond presque en temps réel, accepte d'être interrompu et perçoit le ton de la voix.
• Il peut analyser un flux vidéo en direct, traduire à la volée et expliquer du code ou des équations.
• Présenté en direct depuis San Francisco par Mira Murati, il vise un usage plus large et plus naturel.
• Ses progrès relancent les débats sur la fiabilité, la vie privée et la place de l'IA dans la vie quotidienne.

Questions fréquentes

Que signifie le « o » de GPT-4o ?

Le « o » renvoie à omni : le modèle est conçu pour traiter plusieurs types d'entrées (texte, son, image) au sein d'un seul système, au lieu d'assembler des outils séparés.

En quoi diffère-t-il des assistants vocaux classiques ?

Les assistants traditionnels enchaînent transcription, génération de texte puis synthèse vocale. GPT-4o traite la voix directement, ce qui réduit la latence et lui permet de saisir l'intonation et l'émotion pour répondre de façon plus fluide.

Peut-il vraiment « voir » ce que montre la caméra ?

Lors des démonstrations, il a analysé un flux vidéo en direct et commenté ce qui lui était montré. Cette capacité visuelle, combinée à la voix, ouvre des usages comme l'aide aux devoirs, l'accessibilité ou l'assistance guidée par l'image.