🎤 L’IA vocale française veut rivaliser avec les géants mondiaux (Patrick Pérez, Kyutai) [REDIF]

[00:00:00] - [Speaker 0]
Vous qui écoutez Monde numérique, vous travaillez peut-être dans une entreprise qui développe ses équipes à l'international. Or vous le savez, recruter à l'étranger, ce n'est pas toujours simple. Il faut gérer les contrats, la paix, les ressources humaines, le matériel informatique et les règles propres à chaque pays. Le problème, c'est que tout cela repose souvent sur des outils différents qui communiquent mal entre eux. Et plus l'entreprise grandit, plus la gestion se complique.

[00:00:23] - [Speaker 0]
C'est précisément ce que Deal, partenaire de Monde numérique permet de simplifier. Avec Deal, les entreprises peuvent recruter, gérer, rémunérer et équiper leurs collaborateurs où qu'ils se trouvent. La paix, les ressources humaines et l'informatique restent coordonnées sur une même plateforme sans multiplier les outils. Deal prend en charge les aspects les plus complexes du travail international pour permettre aux entreprises de se concentrer sur leur croissance. Pour en savoir plus ou réserver une démo, rendez-vous sur deal point com slash monde num.

[00:00:51] - [Speaker 0]
Deal, d 2 e l point com slash monde num. Cet été, je vous propose de retrouver quelques-unes des meilleures interviews de Monde numérique. Innovateurs, experts, observateurs, ils ou elles partagent leurs projets, leurs visions, leurs analyses. Tendez l'oreille, vous ne le regretterez pas.

[00:01:12] - [Speaker 1]
Monde numérique. Est-ce que la synthèse vocale peut se faire en même temps que le texte arrive? Imaginons que le texte arrive dans, il sorte d'un LLM justement, qui peut cracher le texte assez vite. Est-ce que la synthèse peut se faire à la volée? La réponse est oui, nous le faisons à la volée.

[00:01:31] - [Speaker 1]
Et c'est ça qui nous a permis de faire une autre IA vocale conversationnelle qui s'appelle le mute, où il y a au milieu un modèle textuel et la réponse du, du modèle textuel, elle est à la volée, instantanément, en temps réel, transformée en voix.

[00:01:52] - [Speaker 0]
Bonjour Patrick Perez.

[00:01:53] - [Speaker 1]
Bonjour.

[00:01:54] - [Speaker 0]
Merci de me recevoir ici au siège de Qtai à Paris.

[00:01:58] - [Speaker 1]
Bienvenue.

[00:01:58] - [Speaker 0]
Qtai, lancé en 2023, c'est un centre de recherche sur l'intelligence artificielle. C'est quoi exactement un centre de recherche en IA et Qtai en particulier?

[00:02:09] - [Speaker 1]
Alors oui, c'est un laboratoire tout simplement de recherche, mais qui avait un certain nombre de caractéristiques qui le rendent assez unique en Europe au moins, c'est d'être abus non lucratif, il a été fondé grâce à du mécénat privé.

[00:02:26] - [Speaker 0]
Pierre Jennyel, Rodolphe Saadé,

[00:02:29] - [Speaker 1]
Eric Schmidt,

[00:02:32] - [Speaker 0]
CEO de Google.

[00:02:33] - [Speaker 1]
Absolument, du coup voilà, c'est sur fond privé un laboratoire indépendant et qui a pour mission de faire de la recherche plutôt amont sur des grands modèles, on y reviendra, je pense sur un type d'IA qui est assez, qui est très technique et qui demande des ressources importantes d'où le besoin d'avoir une forte dotation initiale avec pour mission de faire avancer la recherche en IA sur un certain nombre de sujets et de partager les résultats de cette recherche donc avec une vocation forte de, d'ouverture, de partage de la connaissance et des résultats de la recherche du qu'on appelle des modèles dans notre jargon. Et puis le code des programmes qui permettent de les faire tourner ou de les modifier. Donc, c'est ça, c'est ça l'idée. De fait, c'est quelque chose de vraiment une aventure assez unique qui nous occupe depuis un peu moins de 2 ans et je dois dire qu'on s'ennuie pas.

[00:03:32] - [Speaker 0]
Combien de chercheurs?

[00:03:34] - [Speaker 1]
Alors, a démarré à 6 avec l'équipe fondatrice initiale et désormais, l'intégralité du labo compte à peu près 25 personnes. Donc, il y a des chercheurs, il y a des ingénieurs.

[00:03:47] - [Speaker 0]
Qui sont tous des gros cerveaux de l'IA, on va dire.

[00:03:49] - [Speaker 1]
C'est des gens très, très bien formés et très motivés et très forts. Oui, c'est, on est très exigeants sur les recrutements. Il y également évidemment des fonctions support. Et puis, a des jeunes gens très, très brillants qui sont chez nous en stage, en thèse, puisqu'une note des choses qui nous tient beaucoup à coeur, mais c'est lié à la mission d'ouverture et de contribution à l'écosystème, c'est contribuer à former alors à notre échelle, parce qu'on a un petit labo, donc voilà, de former au meilleur niveau des futurs chercheurs, des futurs ingénieurs, peut-être des futurs entrepreneurs, on espère aussi.

[00:04:24] - [Speaker 0]
Alors on va parler en détail de de de des différentes choses que vous avez développées ces dernières années, notamment dans le domaine de la voix, et caetera. Mais avant ça, vous le disiez, vous êtes un petit labo et aujourd'hui la course à l'IA, c'est un truc de géant en fait, où des mastodontes se battent à coups de dizaines, centaines de 1000000, des 1000000000 de dollars. Comment est-ce qu'on peut trouver sa place dans cet écosystème et dans cette compétition?

[00:04:52] - [Speaker 1]
Alors, on peut, on peut trouver sa place en, peut-être en faisant les choses différemment. Je crois qu'il faut évidemment que vous avez raison de dire, y a une accélération et une compétition entre des titans, après il ne pas oublier David et Goliath et par ailleurs, il y un centre d'innovation qui y compris au sein des grandes organisations qui peuvent émerger de petites équipes au sein au sein des grandes grandes organisations et des grandes entreprises. Il faut faire aussi attention quand on parle de ces de l'IA qui est à la fois une industrie, un ensemble de technologies et aussi un domaine scientifique à faire la part des choses entre ce qui est consacré à la recherche et ce qui est consacré aux produits.

[00:05:41] - [Speaker 0]
Oui, voilà tout à fait. Et vous, vous ne faites pas de produits.

[00:05:43] - [Speaker 1]
Nous, on ne fait pas de produits, on est entièrement consacré sur la, c'est-à-dire qu'on fait avoir sa connaissance en développant et en expérimentant des prototypes et ceux qui sont concluants, on les partage, mais on n'opère pas, on ne déploie pas de produits Vous

[00:06:00] - [Speaker 0]
n'allez pas lancer un chat GPT ou un le chat disponible pour tous les Ce pas

[00:06:04] - [Speaker 1]
du notre vocation. Et donc ce que je voulais dire par là, c'est que donc dans les grandes annonces qui foisonnent depuis et ça va s'accélérant depuis 2 ans, il y a beaucoup beaucoup d'investissements liés à l'infrastructure pour le déploiement des modèles et donc servir les produits.

[00:06:24] - [Speaker 0]
Construire des data center, c'est aussi là que vont les budgets phénoménaux sont distribués à droite à gauche.

[00:06:30] - [Speaker 1]
Pour une grande part. Par ailleurs, y a différents types de, enfin une fois de plus l'intelligence artificielle c'est très vaste, on connaît dans le grand public évidemment robots conversationnels, la, et caetera, tous les modèles de génération d'images, de vidéos, de musique, que sais-je. Tous, tous les, tous les modèles d'IA ne sont pas aussi lourds ou coûteux à entraîner, ça dépend du type de données, ça dépend de la taille des modèles, et caetera. Donc il y a aussi des, des, tout un tas de sujets qui peuvent être travaillés si on choisit bien sujets et qu'on a les bonnes équipes qui peuvent être travaillées avec des, à des échelles plus, enfin, plus réduites que ce qu'on entend dans le grand public ou dans les grandes annonces des grands groupes.

[00:07:17] - [Speaker 0]
Ouais. Là, vous parlez des, des modèles, des, des, des LLM en fait, c'est ça qui sont moins gourmands du coup ou qui ou que vous vous ne déployez pas sur d'immenses data center.

[00:07:29] - [Speaker 1]
Alors je fais allusion à plusieurs choses quand on parle de taille ou de ressources nécessaires pour entraîner et utiliser des modèles effectivement il y a quelle quantité de données, quel type de données, quelle ressource calcule de calcul pour entraîner les modèles, quelle taille de modèle, ça va de, il y des ordres de grandeur très très très variables, on a des modèles qui vont du, du, du, de, enfin, les tailles de modèles intéressants, ça peut aller de un à 100 ou de un à 1000 par rapport à donc ce qu'on appelle les petits modèles qui sont, disons 1000000000 de paramètres pour parler technique puisque c'est, on entend, même si on

[00:08:06] - [Speaker 0]
sait que c'est beaucoup quoi.

[00:08:07] - [Speaker 1]
Voilà, mais 1000000000 de paramètres, ça, justement c'est petit

[00:08:10] - [Speaker 0]
et les

[00:08:11] - [Speaker 1]
gros modèles, c'est 100 ou 1000001000 de paramètres. On voit qu'il y a toute une gamme Voilà autant qu'on n'a pas les détails, mais du coup, y a toute une gamme de modèles rien que pour parler des grands modèles de langage, les LLM que vous évoquiez, mais c'est vrai aussi pour les autres modalités, toute une gamme de modèles qui sont intéressantes. Donc, il y a des progrès qui sont sur les petits modèles et

[00:08:34] - [Speaker 0]
c'est très Un petit modèle, c'est quoi? C'est un modèle qui sait faire moins de choses, qui est plus spécialisé?

[00:08:41] - [Speaker 1]
Alors, ça peut être, il y a des petits modèles qui sont tout à fait généralistes, mais ils sont effectivement sans doute moins performants sur le spectre complet des tâches d'un modèle généraliste, mais qui peut effectivement ensuite être spécialisé. Mais parfois la différence n'est pas, n'est pas considérable. En tout cas, c'est un modèle qui est, qui peut tourner sur une machine plus petite, y compris d'ailleurs sur parfois, et nous, ça nous intéresse beaucoup, sur des, des téléphones portables, des ordinateurs portables qui n'ont pas besoin d'être dans des data center dans le cloud.

[00:09:17] - [Speaker 0]
Donc, ils vont être plus spécialisés sur une tâche, je ne pas, ça va être modèle qui sera utilisé dans une usine, dans une voiture Ça, ça

[00:09:25] - [Speaker 1]
fait partie, il y a des cas d'usage qui effectivement vraiment les modèles les plus polyvalents, meilleur niveau en étant complètement polyvalent, ils sont en général très, très gros. Mais ce qu'on a découvert aussi chemin faisant en recherche, c'est que on peut comprimer des très gros modèles, soit en les simplifiant, sans changer leur nombre de paramètres ou ce fameux nombre de 1000000000 de poids, de poids, ou bien on peut partir d'un gros modèle et l'infuser, ce qu'on appelle le distiller dans un petit modèle, c'est-à-dire que le gros modèle permet d'entraîner un petit modèle qui sera, qui sera de bonne facture.

[00:10:07] - [Speaker 0]
C'est un peu ce qu'on fait les chinois avec DeepSeek?

[00:10:09] - [Speaker 1]
C'est ce que fait tout le monde en fait.

[00:10:11] - [Speaker 0]
Tout monde,

[00:10:11] - [Speaker 1]
tout le monde, cette technique d'apprentissage.

[00:10:13] - [Speaker 0]
Alors vous, qu'est-ce que vous faites? Donc, y avait eu au début Moshi, c'était votre 1er modèle qui était, qui était déjà, qui était vocal, qui avait, qui avait une brique de reconnaissance et de conversation vocale et qui avait une particularité, je me souviens de la démonstration, je ne pas s'il est encore comme ça aujourd'hui, mais qui est, qui comprend très très vite, qui répond très très vite, parfois avant même qu'on ait fini sa phrase. Sinon, qu'est-ce qui s'est passé depuis 2023 à fin Moshi, enfin où on est Moshi

[00:11:07] - [Speaker 1]
et puis quoi nous a pas mal occupé la 1re année donc juste pour revenir ce que c'était Moshi qu'on a dévoilé en juillet 24 et ensuite open sourcé dans les semaines et les mois qui ont suivi. Donc c'est un modèle conversationnel vocal sans tour de parole imposée qui est vraiment une caractéristique très très importante s'agissant de la communication orale avec une machine et donc c'est un modèle effectivement qui peut couper en général à bon escient la parole à l'utilisateur et ça peut sembler anodin ou amusant en fait c'est capital dans le naturel de l'interaction vocale et c'est et quand nous on s'intéressait à cette question, c'était vraiment il y avait une barrière technologique là-dessus Et ce n'est pas uniquement

[00:11:55] - [Speaker 0]
Que vous avez brisé.

[00:11:56] - [Speaker 1]
Qu'on a tout à fait brisé, donc c'était une 1re mondiale, ce qu'on a fait et qu'on a peine sourcé, mais c'est également pour obtenir ce résultat-là, on a dû travailler d'une façon différente de ce qui se faisait à ce moment-là l'IA vocale, c'est-à-dire de ne pas passer par une transcription textuelle de

[00:12:15] - [Speaker 0]
la

[00:12:16] - [Speaker 1]
parole de l'utilisateur. Et ça, c'est en fait, c'est très important. D'abord ça permet d'aller plus vite.

[00:12:21] - [Speaker 0]
C'est pour ça que ça va plus vite.

[00:12:22] - [Speaker 1]
C'est plus fluide, ça permet donc des interactions et même des superpositions entre les paroles utilisateurs et de la machine, mais ça permet aussi de ne pas perdre de façon définitive un certain nombre d'informations qui sont contenues dans la parole. Justement, ce qui fait la richesse de l'interaction vocale, comme nous sommes en train de le faire à cet instant, c'est, c'est le timbre de la voix, c'est l'émotion, c'est l'accent éventuellement, c'est plein de choses.

[00:12:49] - [Speaker 0]
Mais par exemple, si je dis quelques mots, vous vous arrêtez pas forcément de parler. Si vous là, vous avez arrêté. Non,

[00:12:54] - [Speaker 1]
peux faire aussi.

[00:12:54] - [Speaker 0]
Mais voilà, vous pouvez continuer.

[00:12:56] - [Speaker 1]
Voilà ce qui contribue aussi.

[00:12:57] - [Speaker 0]
Et on se comprend.

[00:12:58] - [Speaker 1]
Et même si on se marche un petit peu sur les pieds, ça veut dire qu'on est en train de quand même d'interagir. C'est très important pour la richesse de la, de la communication. Et c'est ça aussi qu'on, que nous, on voulait aller chercher avec, avec, avec Moshi, donc ce prototype-là. Et donc maintenant, poursuivre, puisque vous me demandiez puis, qu'est-ce qui s'est passé après? En fait, s'est passé plein de choses et qui pour beaucoup venaient des innovations qu'on avait mis dans Moshi.

[00:13:26] - [Speaker 1]
Donc ça nous a permis d'inventer, enfin on a dû pour le créer, inventer de nouvelles, de nouvelles architectures, enfin de nouvelles façons de faire de l'IA temps réel avec du langage parlé. Ça nous a permis d'aller sur d'autres sujets qui relèvent aussi de l'IA vocale. Alors par ailleurs, a donné des yeux à Moshi, donc ça s'appelle Moshi vise, donc la démo aussi est en ligne et le modèle

[00:13:51] - [Speaker 0]
Donc il écoute, il parle et il le voit.

[00:13:54] - [Speaker 1]
Et il voit, c'est-à-dire on peut parler avec lui, on peut lui présenter une image et on peut parler de cette image sans toutefois qu'il perde sa capacité à parler d'autre chose. Parce que ça, c'est un des grands problèmes aussi. On y a des fois, en voulant donner de nouvelles capacités, on perd les précédentes. Donc, on peut prendre un modèle qui s'est très, très bien conversé à l'oral. Puis on va commencer à le modifier pour parler d'image, puis à la fin, il ne sait plus que parler d'image.

[00:14:19] - [Speaker 1]
C'est-à-dire, il va imaginer des trucs dans l'image qui n'existent pas parce qu'il croit que voilà, donc qu'ils font parler de l'image. Donc ça, donc, on a, on était très content de ça, donc, et donc là, c'est encore de l'IA conversationnelle, mais multimodale puisqu'il y a une, il y a un canal de, de perception supplémentaire qui est le canal visuel. Et les autres choses qu'on a faites, alors plutôt, alors là vraiment toujours dans le domaine vocal.

[00:14:45] - [Speaker 0]
Alors pardon, donc tout ce que vous développez ici pour la plupart quand c'est abouti, c'est open source. Donc en fait, ça peut être utilisé par n'importe qui en dehors de Kyutai. Moshi est utilisé aujourd'hui?

[00:14:59] - [Speaker 1]
Alors Moshi

[00:14:59] - [Speaker 0]
Dans des applications?

[00:15:00] - [Speaker 1]
Alors Moshi n'est pas qu'on sache en tant que tel. Il a été quand même téléchargé sur le modèle plusieurs 1000000 de fois, ce n'est quand même pas mal. Mais c'est bien que vous me posez la question parce que au coeur de Moshi, il y a une brique particulièrement importante qui nous a permis de créer ce modèle qu'on appelle le codec audio. Et donc, c'est aussi un modèle d'intelligence artificielle et dont dont la fonction, c'est de transformer le flux audio qui est un signal, le signal audio en fait, en une, en quelque chose de numérique, mais beaucoup plus compact et complètement adapté au traitement par un réseau de neurones.

[00:15:39] - [Speaker 0]
Vous avez inventé le m p 3 de l'IA en fait.

[00:15:41] - [Speaker 1]
Ce n'est pas mal ça. Je vais, je vais penser à, mais en tout cas cette brique-là

[00:15:47] - [Speaker 0]
C'est ça rejoint la notion de compression que vous évoquiez tout à l'heure.

[00:15:50] - [Speaker 1]
Mais de compression, n'est pas uniquement une compression qui préserve le, évidemment la qualité audio, mais aussi ce qui a été dit et pour qu'ensuite l'IA vienne par-dessus pouvoir comprendre et répondre, et caetera. Et cette brique-là qu'on a aussi open sourcée en tant que telle, donc elle fait partie intégrante de Mochi, mais elle peut être aussi utilisée de façon isolée pour tout un tas d'autres choses en IA vocale. Elle a été téléchargée plus de 12000000 de fois et on sait qu'elle est très utilisée par beaucoup de gens.

[00:16:19] - [Speaker 0]
Mais vous ne savez pas comment ni pourquoi?

[00:16:21] - [Speaker 1]
Quand les gens prennent la peine de le citer, a les informations et elle a été utilisée par exemple pour une IA vocale qui a aussi fait parler d'elle qui s'appelle sésame Et on sait qu'au moins la brique de, donc de codec, le codec audio dont je parlais, qui est une partie intégrante de Moshé, été utilisée pour ça. Donc oui, c'est, c'est ça là, justement, c'est ça la finalité de l'open source, c'est que d'autres s'en saisissent, construisent dessus, ce qui veut dire que ce qu'on

[00:16:53] - [Speaker 0]
fait a Et là, mais là, et là, vous ne touchez pas d'argent là-dessus. Non,

[00:16:57] - [Speaker 1]
non, non, oui, la question est évidemment bonne et importante. C'est un de nos, une de nos, de nos missions, c'est de contribuer à, de contribuer à l'écosystème, mais pas que français européen. Donc, c'est une communauté internationale de faciliter la réutilisation de ce qu'on fait. Donc ça, ça, c'est vraiment quelque chose d'important.

[00:17:24] - [Speaker 0]
Et finalement pardon, on revient au début de notre entretien qui est la question du financement, et caetera, Finalement, ça ne peut marcher qu'avec du mécénat Kyotaï aujourd'hui?

[00:17:33] - [Speaker 1]
Alors c'est, c'est évidemment, d'abord c'est ce qui a permis la création du labo il y un peu moins de 2 ans, donc le mécénat à cette échelle-là nous permet de faire des merveilles, donc c'est important de le dire. Donc on croit très fort au fait que ça, que ça puisse intéresser d'autres, d'autres mécènes potentiels. C'est, c'est vraiment une chose importante et il y a d'ailleurs aux États-Unis des, des pour le coup, des, des, aussi des, des labos au moins un que, que nous, on suit de près, qui est, qui fait des très belles choses en IA et qui est entièrement basée sur le mécénat. Mais ça peut se compléter avec d'autres choses. Enfin, la question que vous posiez sur, vous avez partagé cette brique techno qui semble plaire à beaucoup et que beaucoup utilisent, y compris évidemment dans des choses commerciales.

[00:18:26] - [Speaker 1]
La question pour nous se pose de façon légitime de, de, dans certains cas et à travers en particulier des pas, quelques partenariats bien choisis et stratégiques, de d'avoir des collaborations plus, enfin qui soit sur une base commerciale sans et ça reste très important sans nous, nous, nous éloigner de ce qui est et restera notre mission qui est de faire avancer la recherche de façon ouverte. Mais ce n'est pas incompatible avec le fait de vouloir des activités secondaires qui permettent effectivement de récupérer une partie de la valeur et qui permettent surtout

[00:19:08] - [Speaker 0]
de continuer l'histoire. Donc Moshi

[00:19:15] - [Speaker 1]
Oui, on s'est arrêté là dans le. On

[00:19:19] - [Speaker 0]
est moins clair, c'est bien aussi parce que c'est tellement lié en plus l'aspect technologique, l'aspect financier aujourd'hui. Et donc à part Moshi.

[00:19:28] - [Speaker 1]
Donc ce que je disais, c'est que des travaux qui ont permis Moshi ont émergé d'autres d'autres travaux de recherche autour de l'IA vocale. Donc je vais mentionner je vais mentionner au moins quelques-uns, j'allais dire au moins 2, fait plus que 2. Au début de l'année de cette année, au sommet de l'IA, je pense que c'est en février, on a eu le plaisir et le stress de révéler dans la nef du Grand Palais un nouveau projet qui s'appelle IBK, qui est un modèle de traduction simultanée en temps réel, donc comme ferait un interprète humain et qui en plus est fidèle à la voix de la personne qui parle. Et pour la version la plus compacte, peut tourner sur un téléphone portable.

[00:20:19] - [Speaker 0]
Donc, véritable doublage, Vous parlez de traduction simultanée?

[00:20:23] - [Speaker 1]
C'est comme à la radio, quand, dont je suis grand fan, quand quelqu'un parle en anglais, on a, il y a aussi

[00:20:31] - [Speaker 0]
Oui, il y quelques versions.

[00:20:32] - [Speaker 1]
Soit, c'est, attend que la personne invitée, elle finisse sa phrase et l'interprète qui prend des notes va traduire, le traducteur traduit. Ou bien il y la version qui est moins, moins évidente à écouter ou c'est en même temps,

[00:20:45] - [Speaker 0]
mais

[00:20:46] - [Speaker 1]
qui est un peu, enfin qui est typiquement ce qui se passe dans des congrès internationaux ou des choses comme ça. Donc, c'est ce type de fonction, mais à la portée de tout le monde, c'est-à-dire on parle d'un téléphone portable. Et pour ceux que ça intéresse, il y a des démos, enfin, y a des vidéos accessibles depuis notre site. On parle en français et le modèle, on est en train de parler commence

[00:21:11] - [Speaker 0]
à en

[00:21:13] - [Speaker 1]
anglais, en respirant, ayant avec une voix qui ressemble à celle de l'utilisateur, avec un délai qui fluctue en fonction du contenu, ce qui est vraiment la problématique de la, une des problématiques de la traduction simultanée, c'est que des fois, faut attendre un peu pour poursuivre la traduction parce qu'il n'y pas assez d'informations, et caetera. Donc, il y une des choses qu'on a dû aussi, qu'on a dû aussi développer.

[00:21:36] - [Speaker 0]
Et on peut l'utiliser ça enfin oui oui, tout le monde peut.

[00:21:39] - [Speaker 1]
Les modèles sont disponibles. Oui, il y a un proto de recherche.

[00:21:42] - [Speaker 0]
C'est ça, il n'y pas une appli sur les stores prête à l'emploi.

[00:21:46] - [Speaker 1]
Non, non, autant vous dire, autant vous dire que quand, après qu'on ait montré ça et open sourcé, a eu beaucoup, beaucoup de sollicitations de ce type-là, où est l'appli. Donc non, en revanche, ça montre que la techno, la techno est là, on l'a créé, ne demande plus qu'à être productisée, ce qui veut dire effectivement étendre les langues. C'est du travail, c'est une ingénierie très lourde quand même parce que, parce qu'il faut de la donnée, il faut réentraîner de nouveaux modèles, et caetera. Donc, on a montré le chemin, on a donné les briques de base et passer à d'autres

[00:22:47] - [Speaker 0]
Là, avez quoi comme langue?

[00:22:49] - [Speaker 1]
Là, c'était français

[00:22:50] - [Speaker 0]
anglais uniquement, il n'y pas le chinois ou des choses comme ça. Ce serait possible.

[00:22:55] - [Speaker 1]
Tout à fait possible.

[00:22:56] - [Speaker 0]
Si quelqu'un a data center sous la main, il peut

[00:22:59] - [Speaker 1]
Ce n'est pas que les data center, c'est Pour

[00:23:01] - [Speaker 0]
l'entraînement, non, c'est les données, d'accord.

[00:23:03] - [Speaker 1]
Le gros sujet, c'est les données. Là, pour la

[00:23:05] - [Speaker 0]
petite Ça se trouve des données, non.

[00:23:07] - [Speaker 1]
Alors, des données, la spécificité là, s'il faut les données, enfin, faut donc des gens qui parlent dans la langue source

[00:23:14] - [Speaker 0]
et

[00:23:15] - [Speaker 1]
il faut la traduction dans la langue cible. Ça, c'est la 1re Ah

[00:23:18] - [Speaker 0]
oui, il faut, il faut déjà avoir des paires de de

[00:23:21] - [Speaker 1]
texte et en plus avec le fameux délai dont je parlais, c'est un alignement variable pour parler un peu technique, il faut qu'il soit dans les données d'apprentissage.

[00:23:31] - [Speaker 0]
Et

[00:23:32] - [Speaker 1]
la façon dont on s'y est on s'y est pris, je pense que c'est intéressant aussi parce que ça illustre aussi une tendance forte en IA moderne, d'avoir recours à des données totalement ou partiellement synthétiques. Et nous, c'est ce qu'on a fait, c'est la, les, les données dans la langue source, donc le français au début dans la 1re phase du projet, c'est de l'audio français en fait, et on a construit la version anglaise de façon synthétique, c'est-à-dire transcrit le français, traduit le français vers l'anglais avec un traducteur de texte.

[00:24:04] - [Speaker 0]
À la mano

[00:24:05] - [Speaker 1]
quoi. Voilà, enfin, c'est tout est automatisé. C'est un pipeline, et ensuite la partie textuelle, elle est synthétisée vocalement, donc la version anglaise est synthétisée.

[00:24:17] - [Speaker 0]
D'accord, et c'est ça qui permet ensuite au modèle de s'entraîner. D'accord.

[00:24:21] - [Speaker 1]
Voilà, du coup, si vous voulez faire d'autres paires de langues, il

[00:24:26] - [Speaker 0]
n'y plus qu'à.

[00:24:26] - [Speaker 1]
Il n'y a plus qu'à. Il faut quand même des données de bonne qualité déjà même dans la langue source.

[00:24:31] - [Speaker 0]
Patrick Pérez, qu'est-ce que ça représente par rapport à des choses qui sont plus médiatisées, qu'on connaît aujourd'hui, que ce soit chez OpenAI ou chez Meta? Comment vous vous situez? Vous avez craqué des trucs qui n'ont pas craqué? Vous êtes derrière, vous êtes devant, vous êtes au même niveau?

[00:24:51] - [Speaker 1]
Alors on a clairement fait des choses que d'autres n'avaient pas fait avant nous. Les 2 dont on vient de parler, c'est le cas. C'est-à-dire Moshi et IBK, c'est des premières mondiales. Alors dans le cas IBK, qui le rend particulièrement innovant, il y a quelques, pas beaucoup qui travaillent sur le sujet puisqu'en plus ça tournait sur un téléphone portable en février, en février de cette année. Donc ça, c'est vraiment, ça, c'est vraiment quelque chose de très, très dont on est très, très fier.

[00:25:24] - [Speaker 0]
Mais par exemple, Meta qui annonce son système de traduction dans les lunettes, il ne tournera pas à 100 pour 100 dans les lunettes.

[00:25:31] - [Speaker 1]
Moi, je n'ai pas les détails techniques, mais je crois.

[00:25:33] - [Speaker 0]
Je pense qu'il a, non, en fait, ça passe par le smartphone et le smartphone lui-même a besoin du data center derrière. Donc, ça fait pour ça que ça marche une fois sur 2.

[00:25:40] - [Speaker 1]
Après, votre question, elle est, elle est, elle est compliquée parce que

[00:25:48] - [Speaker 0]
Elle est vache.

[00:25:48] - [Speaker 1]
Elle est vache par ailleurs, mais parce que sur, on est sur des, enfin, tous ces sujets-là sont évidemment des sujets très importants sur lesquels il y a pas mal d'acteurs. Nous, on choisit, on choisit un angle et on fait des choses qui sont, qui sont très innovantes. Après, y des gens qui peuvent passer par derrière assez vite et faire, voilà, déployer une machine de guerre pour, pour, pour faire un modèle ou un produit, et caetera. Je pense qu'il faut distinguer en effet la vitesse de, de, d'avancer de la connaissance et la réalisation des produits. Et par ailleurs, il y a une difficulté, mais qui est vraie pour toute la communauté scientifique.

[00:26:29] - [Speaker 1]
On y a même pas que, mais déjà au niveau des chercheurs, c'est comment on compare les choses. Donc dire qui est devant, qui est derrière en comparant des choses qui sont comparables, les tailles de modèles. Est-ce que ça tourne en local ou pas en local? Je vais prendre un autre exemple, une chose dont on est extrêmement fier, qui nous a servi d'ailleurs à créer la donnée synthétique dont je parlais. C'est une autre des, une autre des, comment dire, une autre des sorties du travail sur Boshi, qui nous a pas mal occupés en 2025, c'est la synthèse, la synthèse vocale ou alors sujet.

[00:27:01] - [Speaker 0]
On a l'impression que ce pas très 9.

[00:27:03] - [Speaker 1]
On a l'impression que ce n'est pas très 9. On voit quand même que globalement, la techno de la synthèse vocale avec l'avancée, avec l'IA générative a quand même, en qualité et en expressivité, a fait des bonds considérables par rapport à ce qu'on avait à d'autres époques pour les annonces dans les haut parleurs des gares,

[00:27:18] - [Speaker 0]
tout ça

[00:27:19] - [Speaker 1]
ou sur des, sur des systèmes de navigation. Mais une chose, il y a plusieurs choses qui ne sont peut-être pas du tout visibles au 1er regard et sur lesquelles nous, on a fait des choses importantes. D'abord, il y a la, est-ce que la synthèse vocale peut se faire en même temps que le texte arrive? Imaginons que le texte arrive dans, il sorte d'un LLM justement, qui peut cracher le texte assez vite. Est-ce que la synthèse peut se faire à la volée?

[00:27:49] - [Speaker 1]
La réponse est oui, nous le faisons à la volée.

[00:27:52] - [Speaker 0]
D'accord.

[00:27:52] - [Speaker 1]
C'est ça qui nous a permis de faire une autre IA vocale conversationnelle qui s'appelle un mute, où il y a au milieu un modèle textuel et la réponse du, du, du modèle textuel, elle est à la volée instantanément en temps réel, transformée en voix. Donc ça, c'est un détail technique. Mais du coup, il ouvre plein de cas d'usage différents. Donc ce que je viens de mentionner et c'est très, c'est très difficile à faire. Ça, c'est un exemple, un autre exemple.

[00:28:17] - [Speaker 1]
Alors pareil maintenant, ça devient un peu, un peu, comment dirais-je, assez répandu, mais la facilité à reproduire une voix. Combien de, de, de, de, de secondes ou plus

[00:28:32] - [Speaker 0]
À cloner la voix, vous voulez?

[00:28:34] - [Speaker 1]
Voilà, cloner le, Qui a par ailleurs Qu'elle

[00:28:36] - [Speaker 0]
ressemble à l'original.

[00:28:37] - [Speaker 1]
Voilà, qui ressemble à l'original, qui a plein de, qui a plein de, d'applications vertueuses.

[00:28:42] - [Speaker 0]
Oui, bien sûr.

[00:28:42] - [Speaker 1]
Même si ça, ça évidemment, ça suscite Oui, double page

[00:28:44] - [Speaker 0]
de vidéos, oui.

[00:28:45] - [Speaker 1]
Voilà, ça suscite plein de choses, mais On

[00:28:47] - [Speaker 0]
double pas que les films, y a plein de vidéos qui ont besoin d'être doublées et qui peuvent pas se payer des douleurs.

[00:28:51] - [Speaker 1]
Exactement, faire parler des gens qui ne peuvent plus parler, et caetera, et caetera. Cette question de, est-ce qu'il faut des heures ou juste quelques secondes de la voix pour pouvoir la reproduire, c'est des avancées qui ne sont pas forcément visibles, mais voilà nous auxquelles on a contribué.

[00:29:07] - [Speaker 0]
Oui qui rendent les outils plus performants, plus plus frugaux aussi.

[00:29:12] - [Speaker 1]
Voilà, et d'ailleurs, j'allais arriver à un dernier point qui est celui de à quel point c'est coûteux de générer. Donc toujours sur cet exemple de la synthèse vocale, si vous, vous, vous déployez de la synthèse vocale à grande échelle, c'est-à-dire dans le cloud, c'est-à-dire vous servez plein de jobs, plein d'utilisateurs en même temps. Combien vous allez pouvoir faire de, de, de synthèse en parallèle sur la même carte graphique? Alors, à ce point-là, suivant la façon dont c'est fait, ça peut changer vraiment, j'allais dire simple double, mais du simple au, au, à 100 fois plus. Il se trouve que les, les technos que nous, on a développés, que ce soit en transcription de la parole, donc de la voix vers le texte ou de la synthèse vocale, c'est-à-dire du texte vers la voix, elles sont très, très adaptées au fait d'être multipliées, enfin d'être calculées en parallèle en même temps sur une même, un même type.

[00:30:10] - [Speaker 0]
C'est l'optimisation en fait.

[00:30:11] - [Speaker 1]
C'est, c'est l'optimisation, mais c'est aussi lié à la structure des modèles qu'on utilise qui permettent ça. Et ça permet évidemment des coûts ou des, ou des économies d'échelle considérables pour quelqu'un qui veut faire ça dans le cloud à grande échelle. Bien sûr.

[00:30:26] - [Speaker 0]
Le futur, c'est quoi? Sur quoi vous travaillez aujourd'hui et quelles sont les pistes que vous avez envie d'explorer?

[00:30:32] - [Speaker 1]
Alors, y en a plein, les chercheurs ont toujours plein de pistes à explorer, des des choses qui vraiment nous occupent. Là, ce moment, on continue beaucoup sur cet aspect multimodal, en particulier comment dire le fait que le modèle tout en restant disponible à l'interaction, à la conversation vocale puisse avoir accès à des, à des informations, alors éventuellement en temps réel, ça peut être une vidéo ou des documents. Donc, le fait de pouvoir accéder à des, à des contenus qui ne sont pas du tout des contenus qu'il a vus avant. C'est ça qui est important. Donc, vidéo en train de passer, un corpus, oui, des contenus qui lui sont fournis au moment où vous l'utilisez.

[00:31:18] - [Speaker 1]
Comment, comment coupler ça avec l'IA qui continue à être très volubile, très fluide et donc ça, c'est des, tout en restant en temps réel, et caetera.

[00:31:31] - [Speaker 0]
C'est, vous réduisez le temps de, de, d'entraînement, c'est ça, d'apprentissage? Non,

[00:31:36] - [Speaker 1]
cette question, elle est, c'est une question générale pour les IA, les IA actuelles typiques de type textuel. Comment s'en servir pour aller chercher l'information sur des documents qui n'existaient pas au moment où l'IA est entraînée ou simplement qui ne sont pas accessibles depuis le web. Pour ça, c'est vraiment un des grands cas d'usage des IA actuelles, textuelles dans les grandes organisations, les entreprises, et caetera. Mais c'est maintenant, si vous imaginez ça en multipliant les modalités, c'est-à-dire que les informations qu'elles vous c'est que du texte, mais c'est du texte, des images, des vidéos, de l'audio et qu'en plus vous voulez, vous, interagir pas que par le texte, mais aussi par la voix. Du coup, vous vous retrouvez avec un objet d'une fluidité et d'une utilité très grande.

[00:32:22] - [Speaker 1]
Et quand on en parle avec des, des, avec des gens du monde des médias, des journalistes, des, et caetera, c'est des choses qui les font rêver parce que

[00:32:35] - [Speaker 0]
Bien sûr, on imagine tout de suite qu'il y des applications formidables. D'ailleurs, avez développé, enfin, vous avez une, 1 outil qui est utilisé par un média.

[00:32:43] - [Speaker 1]
Alors, effet, ce qui a été annoncé récemment, c'est par le journal La Provence, donc il fait partie du groupe CMA Médias, c'est une, donc sur leur, sur leur site et leur application, je pense donc

[00:32:58] - [Speaker 0]
C'est logique, c'est un nouveau mécène, finalement.

[00:33:00] - [Speaker 1]
Nous sommes, nous sommes, nous sommes proches en effet, mais en utilisant des briques qui par ailleurs sont open source.

[00:33:07] - [Speaker 0]
Oui, donc n'importe qui pourrait s'en servir. Donc,

[00:33:10] - [Speaker 1]
on a travaillé avec eux dans cette collaboration très intéressante visant à rendre accessible sous un format audio vraiment adapté des contenus écrits donc du journal. Et donc, on revient aux histoires de synthèse vocale expressive. Ce n'est pas évident de rendre intéressant la haute voix d'un article.

[00:33:35] - [Speaker 0]
Parce que les systèmes de synthèse vocale aujourd'hui sont un peu soporifiques.

[00:33:40] - [Speaker 1]
Alors d'une part et d'autre part par le texte, parce que le texte lui-même, il n'est pas nécessairement prévu pour ça. Donc il faut aussi le modifier ce qui a été, ce qui été

[00:33:48] - [Speaker 0]
Donc, n'est pas du mot à mot, fait.

[00:33:49] - [Speaker 1]
Non, alors la partie changement du texte, ce n'est pas, ce n'est pas quelque chose qu'on a fait. Nous, nous, on s'est occupé de la, de la, c'est une collaboration avec Mistral. Nous, on s'est occupé de la partie synthèse vocale. Mais ça donne une idée quand même de, je pense, de comment, en mettant ensemble des, des, des modèles, des modèles de différentes modalités, le texte, le son, et caetera, ça permet d'accéder de façon plus, plus facile, plus inclusive aussi quand même à des contenus de qualité et aussi à redonner la valeur des contenus qui préexistent déjà et ça permet de les remettre, de remettre en valeur en fait. Donc ça, c'est, c'est

[00:34:28] - [Speaker 0]
Donc en fait, juste encore un mot sur c'est, c'est, c'est, c'est, c'est, c'est, c'est,

[00:34:44] - [Speaker 1]
l'étape d'après, c'est quoi? C'est que ça soit interactif.

[00:34:48] - [Speaker 0]
Qu'on puisse te poser des questions.

[00:34:49] - [Speaker 1]
Arrêter au

[00:34:50] - [Speaker 0]
courant. Oui. Voilà, donc je n'en

[00:34:51] - [Speaker 1]
dirai pas plus.

[00:34:53] - [Speaker 0]
Ah là là, bon, il faudra que je revienne alors. Merci beaucoup Patrick Perez.

[00:34:57] - [Speaker 1]
Avec plaisir.