Latest / Le centre de gravité / VibeVoice — Microsoft a craqué le verrou du son, puis a fermé la porte

Transcript

VibeVoice — Microsoft a craqué le verrou du son, puis a fermé la porte · Le centre de gravité

• 0:00
  Épisode vide Voice, Microsoft a craqué le verrou du son puis a
• 0:04
  fermé la porte. Chapitre un le mur des 20 ans.
• 0:08
  Il YA1 problème structurel dans la synthèse vocale que personne
• 0:12
  n'avait vraiment résolu depuis 2 décennies.
• 0:15
  Et l'histoire de comment il a sauté commence avec un chiffre
• 0:18
  absurde 7,5. Août 20002524 notateurs humains
• 0:24
  s'installent devant leur casque. Leur mission ?
• 0:27
  Écouter environ 6 h de podcast synthétique chacun et décider
• 0:31
  laquelle des voix qui se succèdent dans leurs oreilles
• 0:34
  sonne la plus humaine. Ces annotateurs ne le savent pas
• 0:37
  encore, mais ils sont en train de mesurer l'écart entre le
• 0:40
  monde d'avant et le monde d'après.
• 0:42
  Parce que dans le lot, discrètement, sans fanfare, il
• 0:45
  YA1 modèle de Microsoft Research qui s'appelle Videvoice, et ce
• 0:49
  modèle va obtenir une note moyenne de 3,76 sur 5 en qualité
• 0:52
  perçue. Contre 3,40 pour Eleven Labs,
• 0:56
  contre 3,66 pour Gemini, 2,5 pro de Google, open source gratuit
• 1:00
  licence MIT. Voilà pour le résultat.
• 1:03
  Maintenant, pour comprendre ce que ça signifie vraiment, il
• 1:07
  faut remonter 20 ans en arrière et comprendre pourquoi personne
• 1:10
  avant vide Voice ne pouvait générer 90 Min d'audio cohérents
• 1:14
  en une seule passe. Le problème n'a jamais été la
• 1:17
  qualité de la voix sur une phrase.
• 1:22
  Les meilleurs systèmes de synthèse vocale savent depuis
• 1:25
  longtemps produire une voix indiscernable du réel sur un
• 1:27
  paragraphe, parfois quelques minutes.
• 1:30
  Ce qui bloquait tout, c'est la durée.
• 1:32
  Chaque système convertit le texte en une séquence
• 1:35
  intermédiaire de token avant de générer l'audio et la cadence de
• 1:39
  ces tokens. Combien il en faut pour
• 1:40
  représenter une 2nde de son détermine combien de temps peut
• 1:44
  tenir la séquence dans un seul passage du modèle.
• 1:47
  En codec, le modèle de référence de Méta tourne à 50 hertz. 50
• 1:52
  tokens par 2nde d'audio ce chiffre semble raisonnable
• 1:55
  jusqu'à ce qu'on fasse le calcul. 90 Min d'audio à 50
• 1:58
  hertz, ça donne 270000 tokens à traiter d'un bloc.
• 2:01
  Aucun transformer aujourd'hui ne gère une séquence de cette
• 2:05
  taille en un seul passage. Le plafond pratique pour la
• 2:07
  plupart des systèmes auto régressifs, c'est 30 à 60
• 2:10
  secondes de cohérence avant que le modèle soit obligé de
• 2:15
  recommencer depuis 0 pendant 20 ans.
• 2:19
  L'industrie a contourné ce mur plutôt que de le franchir.
• 2:22
  La solution standard, c'est le découpage, on génère l'audio en
• 2:26
  tranches de quelques minutes, on les colle ensemble, on espère
• 2:30
  que les jointures sont inaudibles, sauf qu'elle ne le
• 2:32
  sont jamais vraiment. La Prosodie change
• 2:35
  imperceptiblement à chaque couture, la voix dérive, un
• 2:39
  locuteur qui ouvre un chapitre avec une certaine énergie ne la
• 2:42
  retrouve pas exactement au chapitre suivant.
• 2:45
  Pour un podcast d'une heure avec 2 animateurs, les ingénieurs
• 2:48
  assemblaient parfois 10 à 15 segments et passaient des heures
• 2:52
  à lisser les transitions. C'est ce mur là que Vibe Voice a
• 2:55
  décidé d'attaquer, non pas en construisant un ordinateur plus
• 2:58
  puissant, mais en changeant la représentation du son lui même.
• 3:02
  Et si la solution n'était pas dans la taille du modèle, mais
• 3:05
  dans celle de ses atomes ? Chapitre 2, le verrou qui saute
• 3:10
  la solution n'était pas d'augmenter la puissance de
• 3:12
  calcul. C'était de changer la question,
• 3:14
  il. YA1 chiffre au cœur de vive
• 3:16
  Voice et ce chiffre est 7,57 ,5 hertz 7,5 tokens par 2nde
• 3:22
  d'audio. Comparer avec les 50 hertz dans
• 3:24
  codec ou les 25 hertz de la plupart des autres systèmes
• 3:27
  modernes. À 7,5 hertz, 90 Min d'audio
• 3:30
  deviennent 40500 tokens. Un transformer moderne peut
• 3:33
  traiter ça. La contrainte structurelle qui
• 3:35
  bloquait tout le secteur depuis 20 ans disparaît, non pas parce
• 3:38
  qu'on a construit un ordinateur plus puissant, mais parce qu'on
• 3:41
  a représenté le son différemment.
• 3:42
  Comment arrive ? À 7,5 hertz depuis une entrée
• 3:45
  audio en 24 kilohertz par une compression de 3200*6 étages
• 3:48
  successifs de réduction, chacun réduisant la cadence jusqu'à ce
• 3:50
  qu'une 2nde d'audio soit représentée par 7,5 valeurs
• 3:53
  seulement Wave tonosarik, le meilleur système précédent dans
• 3:55
  cette catégorie descendait à 40 hertz au mieux.
• 3:59
  White Voice va 6 fois plus loin avec une fidélité acoustique
• 4:02
  supérieure sur les benchmarks objectifs.
• 4:04
  L'image qui aide à comprendre, c'est le cinéma.
• 4:06
  Un film à 24 images par 2nde contient toute la fluidité,
• 4:10
  dont. Y a besoin pour percevoir du
• 4:15
  mouvement continu passé à 2 images par 2nde.
• 4:17
  Vous perdez la fluidité, mais vous gardez la narration qui est
• 4:20
  dans la scène, ce qui se passe où va l'action.
• 4:22
  Wide Voice fait quelque chose de comparable avec le son.
• 4:25
  Il capture les moments clés à 7,5 hertz et c'est la tête de
• 4:28
  diffusion qui reconstruit la continuité acoustique entre ces
• 4:31
  instants. Pour réaliser ça, l'équipe de
• 4:33
  Microsoft Research a développé 2 tokeniseurs distincts qui
• 4:36
  fonctionnent en parallèle. Le tokeniseur acoustique capture
• 4:38
  les caractéristiques de timbres, de Prosodie, de couleur, de
• 4:42
  voix. Il repose.
• 4:43
  Sur une architecture d'Autoencodeur, variationnel un
• 4:46
  système qui apprend à comprimer puis à reconstruire un signal en
• 4:49
  minimisant la perte d'information perçue.
• 4:51
  Sa version miroir, le tokeniseur sémantique, n'est pas entraîné
• 4:55
  sur la qualité sonore, mais sur la reconnaissance de paroles.
• 4:57
  Son rôle est de s'assurer que les mots, leur sens, leur
• 5:00
  intention restent intacts à travers la compression.
• 5:03
  Chacun de ces 2 blocs pèse environ 340000000 de paramètres.
• 5:05
  Ces tokeniseurs restent gelés pendant l'entraînement du modèle
• 5:08
  principal, ce qui apprend, c'est un grand modèle de langage de la
• 5:12
  famille quen. 2,5 dans sa version 1,5 milliards ou 7
• 5:14
  milliards de paramètres couplés à une tête de diffusion légère
• 5:14
  de 4 couches le grand modèle comprend le texte le dialogue
• 5:15
  qui parle à qui quel registre prosodique correspond au moment
• 5:16
  la tête de diffusion le système n'est pas de diffusion en
• 5:17
  acoustique réel ce qui est élégant dans cette architecture
• 5:18
  c'est sa modularité. Si demain un meilleur grand
• 5:18
  modèle de langage émerge, on l'échange sans retraîner les
• 5:19
  tokoniseurs si on veut améliorer la qualité acoustique on
• 5:19
  améliore la tête de diffusion le système n'est pas monolithique
• 5:20
  il est composteurs on l'échange sans retraîner les tokoniseurs
• 5:21
  si on veut améliorer la qu'onis si on veut s'eniseur si on veut
• 5:22
  l'en s'e qu'est pas de dire si on la qu'en s'en si on la qu'en
• 5:23
  si on la qu'en propose on la qu'en propose s'en propose la
• 5:24
  qu'en propose propose on la qu'ily propose on la qu'y
• 5:25
  propose on la qu'en propose on la qu'en propose on la qu'en est
• 5:26
  qu'en propose propose propose propose on la qu'ily propose on
• 5:26
  la qu'ily propose on la qu'ily propose propose on la qu'en'en
• 5:27
  propose propose on la qu'en propose propose propose propose
• 5:28
  propose on la qu'en propose on la qu'en propose on la qu'en
• 5:29
  propose on la qu'en propose propose on la qu'on propose on
• 5:30
  la qu'en propose on la qu'y propose on la qu'illes propose
• 5:31
  on la propose on la qu'y propose on la qu'onis qu'il your qu'on
• 5:32
  propose on la qu'en propose propose propose on propose
• 5:32
  propose on la qu'en propose propose on la qu'y propose
• 5:33
  propose propose propose propose on la qu'en propose on la qu'en
• 5:34
  la propose propose on la qu'en propose on la qu'en propose
• 5:35
  propose propose on la propose on propose propose on la propose on
• 5:36
  propose propose propose on la qu'en propose on la qu'en
• 5:36
  propose propose propose propose propose propose on la propose en
• 5:37
  propose propose on la propose on la propose on la propose propose
• 5:38
  propose propose propose propose propose propose propose en
• 5:39
  propose propose propose propose propose on propose propose
• 5:39
  propose propose propose propose on propose propose on propose on
• 5:40
  propos comme propose on la propose on la propose on la
• 5:41
  propose on la propose on la propose on la propose on la
• 5:42
  qu'onis on la propose on la propose on la propose on la
• 5:43
  propose ave ave Pour maintenir la cohérence d'un locuteur sur
• 5:46
  90 Min, l'équipe a utilisé un apprentissage curriculaire.
• 5:48
  Le modèle commence par des séquences de 4096 Tokens, puis
• 5:51
  monte progressivement jusqu'à 65536 tokens.
• 5:53
  Exactement comme on apprend à tenir une conversation.
• 5:55
  Des échanges courts d'abord, puis on s'entraîne sur la durée.
• 6:02
  Chapitre 3, battre les géants une chose est de publier un
• 6:05
  papier académique, une autre est de dépasser Eleven Labs et
• 6:08
  Google sur leur propre terrain avec un modèle ouvert et de le
• 6:12
  faire documenter par. 24 êtres humains qui ont passé 6 h à
• 6:16
  écouter. Le tableau de benchmark de vide
• 6:18
  Voice mérite qu'on le Lise lentement parce que chaque ligne
• 6:20
  raconte quelque chose vide Voice 7 milliards de paramètres
• 6:24
  obtient une note moyenne de 3,76 sur 5 en évaluation humaine.
• 6:26
  Eleven Labs V 3 Alpha, le produit phare du leader
• 6:30
  commercial du TTS, obtient 3,40 Gemini 2,5 pro dans sa version
• 6:33
  TTS. La meilleure offre de Google
• 6:35
  obtient 3,66, le modèle open source cesam et a et CSM
• 6:38
  présenté à grand. Fort de communiquer en 2025,
• 6:45
  plafonne à 2,89 Videvoice 1.5B, le petit modèle 1,5 milliard de
• 6:51
  paramètres obtient 3,54, soit plus qu'Eleven Labs.
• 6:54
  Mais le chiffre qui devrait retenir l'attention des
• 6:57
  décideurs, c'est le taux d'erreur de transcription selon
• 6:59
  les mesures au modèle WHISPER large V 3 videvoice 1.5B obtient
• 7:03
  1,11% d'erreurs sur des podcasts longs Eleven Labs en fait 2,39
• 7:08
  Gemini 2,5 pro 1,73 dia le modèle de narrilab.
• 7:13
  Ce qui avait fait beaucoup de bruit quelques mois plus tôt
• 7:14
  arrive à 11,96% d'erreurs 10 fois plus qu'Eleven Labs ce
• 7:15
  n'est pas une victoire technique dans une compétition académique
• 7:15
  mais une rupture dans les rapports de force commerciaux
• 7:16
  Eleven Labs vend son accès API à des tarifs premium Gemini TTS
• 7:17
  est intégré à l'écosystème Google avec tout ce que ça
• 7:17
  implique en terme de dépendance vive Voice arrive en open source
• 7:18
  sous licence MIT ce qui signifie que n'importe quelle start-up
• 7:19
  peut le prendre, le modifier le déployer en production sans
• 7:20
  payer de royalties sans débat ITSITSIT ce qui signifie que
• 7:20
  n'importe que n'importe quel startu p sorte que ça implique
• 7:21
  le soit que le sorte que ça implique le soit le soit le soit
• 7:22
  le soit le soit le soit le soit le soit le soit le sait le soit
• 7:23
  le soit le soit le soit le soit le soit le sait le sait le sait
• 7:24
  le soit le sait le sait le sait le soit le soit le sait le sait
• 7:25
  le sait le sait le sait le sait le sait le sait le sait le sait
• 7:26
  le sait le sait le sait le sait le s'il sait le sait sait le
• 7:27
  sait le sait le sait le sait le sait le sait le sait le sait le
• 7:28
  sait le sait le sait le sait le sait le sait le sait le sais le
• 7:29
  sais le sait le sait le sait le sait le sait le sait le sait le
• 7:31
  sait le sait le sait le sait le sait le sait le sait le sait le
• 7:32
  sait le sait le sait sait le sait le sait sait le sait le
• 7:33
  sait le sait le sait sait sait sait sait sait sait sait le sait
• 7:34
  le sait sait sait le sait le sait sait sait sait le sait sait
• 7:35
  le sait le sait sait sait sait sait sait le sait sait sait sait
• 7:36
  sait sait sait sait sait sait sait sait sait sait sait sait
• 7:36
  sait sait sait sait sait sait sait sait sait sait sait sait
• 7:37
  sait sait sait sait sait sait sait sait le sait le sait le
• 7:38
  sait sait sait sait sait le sait sait sait sait sait sait sait le
• 7:39
  sait le sais le sait le sais le sais le sais le sais le sait
• 7:40
  sait sait s'il s'il sait le sait sait sait sait sait sait sait
• 7:41
  sait sait sait sait sait sait sait sait sait pas pas dépendre
• 7:44
  d'une API tierce sans envoyer ses données chez Microsoft, ce
• 7:46
  positionnement évoque ce qu'a fait dipsik sur le marché des
• 7:49
  grands modèles de langage au début 2000251, modèle open
• 7:51
  source qui dépassé les leaders propriétaires sur les métriques
• 7:54
  clés. Et comme à cette époque, la
• 7:56
  question qui suit immédiatement n'est pas est ce que c'est
• 7:59
  vrai ? Les chiffres sont vérifiables
• 7:59
  mais qu'est ce que ça signifie pour l'industrie ?
• 8:02
  Pour Eleven Labs, la réponse est inconfortable, son avantage
• 8:04
  concurrentiel repose en partie sur la qualité de sa génération
• 8:08
  vocale, si cette qualité est désormais dépassée par un modèle
• 8:11
  open source. Qui s'intègre gratuitement dans
• 8:15
  n'importe quelle infrastructure. L'argument du premium s'érode,
• 8:18
  pour Google, l'enjeu est différent, Gemini TTS est un
• 8:21
  outil d'intégration dans l'écosystème workspace, pas un
• 8:23
  produit autonome, mais la direction reste la même.
• 8:26
  Il y a aussi une couche que les tableaux ne capturent pas, vive
• 8:28
  Voice est le premier modèle open source à soutenir 4 locuteurs
• 8:31
  distincts sur 90 Min en une seule passe, avec un maintien
• 8:34
  cohérent de l'identité de chaque Voix du début à la fin.
• 8:37
  Most TTSD, le précédent tenant du titre dans la catégorie OPEN
• 8:40
  source, s'arrêtait à. 60 Min Mooncast, un autre prétendant de
• 8:46
  début 2025, atteint 2,81% d'erreurs sur des segments bien
• 8:48
  plus courts. Vaid Voice joue dans une autre
• 8:50
  catégorie de durée et il gagne. Chapitre 4, 10 jours et le Repo
• 8:58
  disparaît. Le code sort le 26 août. 9 jours
• 9:01
  plus tard, Microsoft ferme le Repo.
• 9:03
  Et dans ces 9 jours, quelque chose s'est passé que le papier
• 9:06
  lui même avait pourtant anticipé.
• 9:08
  La section finale du rapport technique de vive Voice, ça
• 9:10
  s'appelle conclusion limite et risque dans la partie risque,
• 9:13
  les chercheurs écrivent et je cite que la parole synthétique
• 9:16
  de haute qualité peut être détournée pour créer du contenu
• 9:19
  audio faux convaincant à des fins d'usurpation d'identité, de
• 9:22
  fraude ou de désinformation. Ils ajoutent qu'il ne recommande
• 9:25
  pas du. Utiliser vide Voice dans des
• 9:27
  applications commerciales ou réelles, sans test et
• 9:29
  développement supplémentaire. Ces lignes sont dans le papier,
• 9:32
  écrites avant la publication. Et pourtant, Microsoft publie
• 9:35
  quand même le code, les poids, les instructions de déploiement.
• 9:38
  9 jours plus tard, la page Github affiche un message sobre,
• 9:41
  ils ont désactivé le repo jusqu'à ce qu'il soit confiant
• 9:44
  que les usages hors cadre ne soient plus possible.
• 9:46
  Le Repo n'a pas été piraté, il n'a pas subi d'attaque.
• 9:49
  Microsoft l'a simplement fermé parce que des utilisateurs
• 9:52
  avaient commencé à s'en servir pour des usages que l'équipe
• 9:54
  considère contraires à l'intent. De recherche.
• 9:56
  Ce scénario n'est pas nouveau dans l'histoire de l'i a stable
• 9:59
  diffusion avait connu une trajectoire similaire en 2022.
• 10:01
  Publication ouverte, usage problématique quasi immédiat,
• 10:04
  débat intense sur la responsabilité des chercheurs.
• 10:06
  L'amas un de Meta avait fuité avant même d'être officiellement
• 10:10
  ouvert. Whisper, le modèle de
• 10:12
  reconnaissance vocale d'open AI, avait été utilisé pour entraîner
• 10:14
  des systèmes de surveillance dès les premiers mois après sa
• 10:17
  sortie. Ce qui est particulier avec vide
• 10:19
  Voice, c'est l'échelle temporelle, 9 jours entre la
• 10:22
  publication d'un papier de recherche et la fermeture
• 10:24
  forcée. Le repos pour usage détourné, il
• 10:27
  s'est écoulé 9 jours. Ce délai dit quelque chose sur
• 10:30
  la vitesse à laquelle des acteurs malveillants peuvent
• 10:32
  désormais s'emparer, comprendre et déployer des capacités de
• 10:35
  recherche avancées. Les limites techniques déclarées
• 10:37
  dans le papier sont aussi intéressantes à lire à travers
• 10:40
  ce prisme, vide Voice ne gère que l'anglais et le mandarin, il
• 10:43
  ne génère pas de paroles chevauchantes, les locuteurs se
• 10:45
  succèdent, il ne s interrompent pas la gestion d'effets sonores,
• 10:48
  bruit de fond où musique d'ambiance lui échappé aussi.
• 10:51
  Ce sont des limites réelles pour certains usages légitimes, mais
• 10:54
  elles ne constituent pas des gardes.
• 10:56
  Tout contre là fraude, une voix clonée sur 90 Min qui parle
• 10:58
  clairement et sans bruit de fond, c'est précisément ce dont
• 11:01
  on a besoin pour un contenu de désinformation convaincant.
• 11:03
  Microsoft à depuis réouvert le repo avec des conditions d'usage
• 11:07
  plus strictes. Le modèle reste accessible sur
• 11:09
  hugging face mais l'épisode laisser une question ouverte que
• 11:12
  la communauté académique n'a pas vraiment résolue.
• 11:14
  Quand une recherche est suffisamment puissante pour être
• 11:17
  dangereuse et suffisamment utile pour être publiée, qui décide de
• 11:20
  la frontière et sur quelle base ?
• 11:23
  Chapitre 5, la voix comme infrastructure.
• 11:26
  Ce n'est pas une question de technologie audio, c'est une
• 11:28
  question de qui va contrôler la couche vocale de l'internet et
• 11:32
  dans combien de temps il y a ? Une image utile pour situer vive
• 11:34
  Voice dans la dynamique plus large.
• 11:36
  Imaginez les infrastructures de réseau en 2003, Internet existe,
• 11:38
  mais la voix sur IP n'est pas encore banalisée, Skype n'est
• 11:41
  pas encore lancée. La voix reste chère, rare,
• 11:43
  contrôlée par des opérateurs Télécom qui en font un avantage
• 11:47
  tarifaire. 2 ans plus tard, la communication Voix est une
• 11:50
  commodité. La synthèse vocale est en train
• 11:52
  de vivre une transition comparable.
• 11:52
  Pendant 20 ans, elle est restée un service.
• 11:56
  Spécialisé avec des acteurs comme nuance puis leavon apps,
• 11:59
  puis Google et Amazon en position dominante, chacun
• 12:02
  contrôlait une capacité technique que les autres ne
• 12:04
  pouvaient pas reproduire facilement.
• 12:05
  Ce contrôle leur donnait un avantage de pricing, une
• 12:08
  capacité à imposer des conditions d'accès, une
• 12:10
  dépendance des clients à leur infrastructure.
• 12:12
  Vive Voice change cette dynamique.
• 12:14
  Un développeur peut aujourd'hui télécharger vive Voice 1.5B, le
• 12:16
  faire tourner sur sa propre infrastructure, générer des
• 12:18
  podcasts de 60 Min avec 2 locuteurs distincts sans jamais
• 12:22
  envoyer la moindre donnée à 1/3 0 dépendance.
• 12:26
  Dans sa PI0, coût marginal après investor qui construit un
• 12:28
  produit de contenu audio, y voit une réduction à 0 du coût
• 12:31
  variable de génération vocal. Ce n'est pas anecdotique dans un
• 12:34
  modèle économique où chaque minute d'audio synthétique
• 12:36
  facturée à l'a PI représentait un coût opérationnel réel.
• 12:39
  Un dirigeant soucieux de la souveraineté des données y voit
• 12:42
  autre chose, la possibilité de garder le traitement en interne
• 12:44
  dans les secteurs où les données vocales sont sensibles,
• 12:47
  médicales, juridiques, financiers.
• 12:48
  Quand à un investisseur qui regarde Eleven, naps, Cartesia
• 12:51
  ou reesembley, la question qui se pose n'est pas.
• 12:56
  Est-il meilleur ? Mais quelle partie de leur
• 12:58
  avantage concurrentiel repose sur une capacité technique qui
• 13:00
  vient de devenir open source ? C'est la question que dipsik
• 13:03
  avait déjà posée aux investisseurs d'open AI au début
• 13:05
  de l'année 2025, et la réponse avait été brutale.
• 13:07
  Il reste des territoires où les modèles propriétaires gardent un
• 13:10
  avantage clair, la latence d'abord, Cartesia Sonic turbo
• 13:13
  tient 40 millisecondes Eleven apps Flash 75 vive Voice
• 13:17
  realtime 0.5B approche les 300 millisecondes côté modèle, pour
• 13:20
  les agents vocaux qui doivent répondre instantanément, cet
• 13:22
  écart est. Structurants, la couverture
• 13:27
  linguistique suit 2 langues pour vive Voice aujourd'hui contre 29
• 13:30
  pour Eleven Labs et pour les équipes sans expertise ML
• 13:33
  interne. Le service manager reste une
• 13:35
  valeur réelle mais ces territoires se réduisent à
• 13:37
  chaque génération de hardware et de fine tuning.
• 13:39
  Ce que vive Voice pose comme question de fond, c'est
• 13:42
  finalement celle-ci dans un monde où la voix synthétique de
• 13:44
  qualité professionnelle est accessible à coût marginal. 0
• 13:47
  qu'est ce qui reste différenciant ?
• 13:48
  La réponse n'est pas dans le modèle lui même, elle est dans
• 13:51
  les données propriétaires d'entrainement, dans la
• 13:54
  distribution, dans la confiance. Que les utilisateurs accordent à
• 13:57
  une marque exactement les mêmes forces qui structurent n'importe
• 14:00
  quelle infrastructure commoditisée, le réseau
• 14:02
  téléphonique, le cloud, la bande passante.
• 14:05
  La voix était une fonctionnalité.
• 14:06
  Elle est en train de devenir une infrastructure.
• 14:08
  Et comme toutes les infrastructures au moment de
• 14:10
  leur basculement, la question n'est pas de savoir si elle va
• 14:13
  se commoditiser. C'est déjà fait.
• 14:14
  La question est de savoir qui sera là pour bâtir dessus quand
• 14:17
  la poussière retombera. Vous écoutiez vipe Voice,
• 14:21
  Microsoft a craqué le verrou du son puis a fermé la porte.
• 14:24
  Merci d'avoir écouté jusqu'au bout si cet épisode vous a donné
• 14:27
  une grille de lecture que vous n'aviez pas avant, partagez le à
• 14:30
  un fondateur, un investisseur ou quelqu'un qui pense encore que
• 14:34
  la voix synthétique est une fonctionnalité secondaire.