Comprenez les briques, les architectures et les limites d'un agent vocal IA, puis testez-le sans risque sur le téléphone de votre PME.
Votre téléphone sonne pendant que vous êtes en rendez-vous, et les mêmes questions reviennent : horaires, disponibilité, suivi d'une commande. Un agent vocal IA peut y répondre, à condition de comprendre comment il fonctionne et où il s'arrête. Cet article détaille les briques techniques, les deux grandes architectures, les cas où la voix est pertinente (ou non), puis un plan de déploiement prudent.
Ce qu'est vraiment un agent vocal IA
Un agent vocal IA est un agent de support qui converse à l'oral. Il écoute votre interlocuteur, comprend sa demande, cherche la réponse dans vos contenus, puis la prononce à voix haute. Ce n'est pas un répondeur à menu (« tapez 1, tapez 2 »), et ce n'est pas non plus un simple chatbot auquel on aurait ajouté un haut-parleur.
La différence tient au rythme. À l'écrit, un client relit, attend, fait défiler. Au téléphone, chaque seconde de silence se remarque, les phrases doivent être courtes et on ne peut pas « remonter » dans la conversation. Un bon agent vocal n'est donc pas un texte lu à voix haute : c'est une conversation pensée pour l'oreille.
Prenons une situation courante : une clinique vétérinaire en Belgique reçoit des appels pour des prises de rendez-vous et des questions sur les tarifs de vaccination. Le même contenu existe déjà sur le site et dans les échanges Messenger. La voix ajoute un canal, pas un second cerveau à entretenir.
Les trois briques
Quelle que soit l'architecture, trois fonctions travaillent ensemble :
- La reconnaissance vocale transforme le son en texte (ou en représentation exploitable). C'est le maillon sensible aux accents, au bruit de fond, aux noms propres et aux numéros.
- Le raisonnement décide quoi répondre. C'est le modèle de langage, appuyé sur votre base de connaissances, vos règles et votre persona.
- La synthèse vocale transforme la réponse en parole. Le choix de la voix, de son rythme et de sa langue pèse beaucoup sur la perception du service.
À ces trois briques s'ajoute la ligne téléphonique elle-même : un numéro, un opérateur, un acheminement des appels. C'est souvent la partie la plus concrète du projet pour une PME, et celle qui conditionne le calendrier.
Deux architectures : pipeline et speech-to-speech
Le pipeline classique
Le pipeline enchaîne les trois briques l'une après l'autre. Chaque étape peut être choisie et remplacée séparément.
- 01Appel entrant
- 02Reconnaissance vocale (voix vers texte)
- 03Raisonnement et base de connaissances
- 04Synthèse vocale (texte vers voix)
Le speech-to-speech
Dans l'approche speech-to-speech, un seul modèle reçoit la voix et répond directement par la voix, sans passer par une transcription intermédiaire explicite. La conversation paraît souvent plus fluide, notamment pour les interruptions et l'intonation.
Aucune des deux n'est « la bonne » dans l'absolu. Si vous avez besoin de contrôler finement la voix et de relire ce qui a été compris, le pipeline est rassurant. Si la fluidité prime, le speech-to-speech mérite un essai. Le plus sage est de comparer les deux sur vos propres questions.
Où la voix aide, et où elle ne convient pas
Là où elle aide
- Les demandes simples et fréquentes : horaires, adresse, disponibilité, statut d'un dossier.
- Les appelants pressés ou en mobilité, qui ne veulent pas ouvrir une application. Un artisan à Genève, un garagiste à Québec, un cabinet à Lille : le téléphone reste le réflexe.
- Les heures creuses : appels en soirée ou le week-end, quand personne ne décroche.
- L'accessibilité : certaines personnes préfèrent ou doivent parler plutôt qu'écrire.
Là où elle convient mal
- Les informations longues ou techniques : une grille tarifaire détaillée se lit mieux qu'elle ne s'écoute. Mieux vaut proposer de l'envoyer par WhatsApp ou par le chat du site.
- Les données difficiles à dicter : adresses électroniques complexes, références alphanumériques, IBAN. L'erreur de transcription est plus probable qu'à l'écrit.
- Les situations émotionnelles ou sensibles : réclamation tendue, urgence médicale, deuil. Un humain doit prendre le relais rapidement.
- Les environnements très bruyants.
Un bon schéma consiste souvent à répondre à l'oral, puis à basculer sur un canal écrit pour tout ce qui doit être conservé : lien, récapitulatif, confirmation.
Principes de conception pour les conversations orales
Des phrases courtes. Une réponse de deux phrases vaut mieux qu'un paragraphe. Posez une seule question à la fois.
Confirmer ce qui compte. Répétez la date, le prénom, le numéro avant d'agir : « Je note donc jeudi à 14 h, c'est bien cela ? »
Annoncer la nature de l'interlocuteur. Dites dès l'accueil que l'appelant parle à un assistant virtuel. C'est honnête et cela évite les malentendus. Pour la partie RGPD, informez aussi la personne de l'usage de ses données, en cohérence avec votre politique de confidentialité.
Prévoir la sortie. L'appelant doit pouvoir demander un humain à tout moment, et l'agent doit savoir dire « Je ne suis pas sûr, je vous mets en relation ».
Ne jamais inventer une attente. « Quelqu'un vous rappelle dans cinq minutes » est une promesse. Si vous ne pouvez pas la tenir, ne la faites pas.
Limiter les données demandées. Ne demandez que ce qui est nécessaire à la demande. C'est à la fois une bonne pratique d'expérience client et un réflexe de minimisation cher au RGPD.
Un plan de déploiement prudent
- Partir d'une base de connaissances propre. Si le chat du site répond bien, la voix répondra bien. Corrigez d'abord les contenus ambigus.
- Tester sans numéro réel. Faites vos premiers essais en environnement de test, avec vos collègues, sur vos vraies questions.
- Tester en conditions réelles : depuis un mobile, dans une voiture, avec un accent différent du vôtre.
- Lancer sur un périmètre étroit. Par exemple, uniquement les appels hors horaires d'ouverture, ou uniquement trois sujets.
- Relire les appels. Les premières semaines, écoutez ou parcourez-en un maximum, puis ajustez les contenus et les consignes.
- Élargir progressivement, seulement quand les relectures montrent peu de surprises.
Mesurer si cela fonctionne
Les indicateurs utiles sont modestes et concrets : part d'appels traités sans transfert, part d'appels transférés à un humain, motifs des transferts, durée moyenne, et retours des appelants. Ne les évaluez pas isolément. Un taux de transfert élevé n'est pas forcément mauvais si les transferts sont les bons.
Pour savoir où concentrer votre relecture, classez les appels du pilote par type de problème. Voici un exemple purement hypothétique, pour illustrer la méthode.
Dans cet exemple fictif, les erreurs de transcription arrivent en tête : on renforcerait alors la confirmation à voix haute et l'envoi d'un récapitulatif écrit. Vos propres chiffres seront différents, mais la démarche reste la même : classer, corriger, recommencer.
Mettre cela en place dans AI SNS CHAT
Dans AI SNS CHAT, tout ce qui touche à la voix se trouve dans le menu Voice de la barre latérale : Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls, Voice / SIP, Users et Developers.
Essayer d'abord. Le Voice Playground sert à écouter votre agent avant tout branchement téléphonique. La couche vocale couvre 22 langues, dont le français. Certaines langues utilisent une voix anglaise au téléphone en solution de repli : vérifiez le rendu en français lors de vos tests.
Choisir la voix. Pour la synthèse vocale, vous disposez de Grok/xAI (par défaut), OpenAI (gpt-4o-mini-tts), ElevenLabs et la synthèse du navigateur. Avec ElevenLabs, vous accédez à une bibliothèque de voix, à la conception de voix et au clonage. Côté speech-to-speech, Synthia s'appuie sur l'API Realtime d'OpenAI, sans solution de repli. Une voix à voix Grok est également proposée, mais par défaut elle ne répond qu'au propriétaire du compte.
Recevoir des appels. Dans Inbound calls, un numéro Twilio se connecte à un agent. Un auto-test du webhook et une réparation automatique aident à corriger les erreurs de configuration. Vous vous appuyez ainsi sur l'agent que vous avez déjà alimenté avec vos sources de données (fichiers, site web, Q&R, etc.).
Passer des appels. Les campagnes d'appels sortants par lot demandent un numéro Twilio, imposent un appel de test préalable et peuvent être arrêtées en cours de route. Le consentement et les règles locales de démarchage téléphonique restent de votre responsabilité.
Suivre les résultats. Call history et les analyses vocales vous permettent de relire l'activité. Le passage à un humain s'organise via Helpdesk → Scheduling (disponible à partir du plan Standard) : les transferts sont attribués à la personne de garde, et le message envoyé au client est généré à partir du planning, sans jamais inventer un délai d'attente.
Ce qui n'est pas encore disponible. Les réglages SIP sont enregistrés, mais aucun chemin d'appel qui les utilise n'a été identifié : ne planifiez pas votre projet dessus. La voix sur WhatsApp et les numéros RTC gérés par la plateforme sont en liste d'attente (« Coming soon »).
Facturation. Une réponse équivaut à un crédit, et le nombre de crédits par minute vocale est défini par l'administrateur de la plateforme ; le devis Private AI indique 4 crédits par minute. Consultez les tarifs et la page des fonctionnalités. Pour la protection des données, nos pratiques sont conçues en référence au RGPD et à l'APPI (détails sur la page sécurité). Une durée de conservation des conversations est disponible en option ; par défaut, tout est conservé.
Questions fréquentes
Faut-il un numéro de téléphone pour essayer un agent vocal ?
Non pour la phase d'essai : le Voice Playground permet d'écouter et de tester votre agent sans ligne téléphonique. Pour recevoir de vrais appels, il faut ensuite un numéro Twilio connecté à l'agent depuis Inbound calls.
Le même agent peut-il gérer le chat et la voix ?
Un numéro Twilio se rattache à un agent existant, qui s'appuie sur ses sources de données. Vous n'avez donc pas à reconstruire une base de connaissances pour le téléphone. Adaptez en revanche le ton et la longueur des réponses à l'oral.
Quelles langues la couche vocale prend-elle en charge ?
Elle couvre 22 langues, dont le français. Certaines utilisent une voix anglaise au téléphone en solution de repli. Écoutez toujours le résultat dans le Voice Playground avant de publier.
Puis-je utiliser mon propre trunk SIP ou recevoir des appels vocaux sur WhatsApp ?
Pas aujourd'hui. Les paramètres SIP sont enregistrés, mais aucun chemin d'appel ne les exploite à ce jour. La voix sur WhatsApp et les numéros RTC gérés sont en liste d'attente ; passez par un numéro Twilio.
La voix est-elle adaptée aux rappels sortants ?
Oui pour des rappels simples auprès de personnes qui ont accepté d'être contactées, avec un appel de test préalable et la possibilité d'arrêter la campagne en cours. Vérifiez le consentement et les règles de démarchage de votre pays avant de lancer, puis démarrez avec un petit groupe.

