Modèles d’interaction pour une communication naturelle entre humains et IA

Nous travaillons dans cette direction depuis des années. Cet article présente ce que nous avons lancé, ainsi que les choix de recherche et de produit qui ont guidé notre démarche.

Notre produit phare : ElevenAgents avec v3 Conversational

Notre produit phare : ElevenAgents avec v3 Conversational

Mode expressif - Mark - Prêt personnel entrant (Panique) - launch asset.mp4

Ce qu’il faut pour qu’un modèle d’interaction fonctionne

Trois éléments doivent fonctionner ensemble pour qu’un système d’interaction soit efficace et permette des échanges naturels et engageants :

Trois éléments doivent être réunis pour qu’un système d’interaction fonctionne bien et crée des échanges naturels et engageants :

• Réponse en moins d’une seconde.Les ElevenAgents sont optimisés pour un temps de réponse inférieur à 100 ms sur nos tests internes, avec un objectif de moins de 200 ms pour les intégrations téléphoniques. Flash v2.5, notre modèle Text to Speech le plus rapide, atteint environ 75 ms d’inférence.*
• Gestion des tours de parole et des interruptions.Pour éviter les interruptions trop rapides, il faut un système de gestion des tours de parole qui prend en compte les silences mais aussi le contenu de la conversation.
• Une restitution expressive et naturelle.Le modèle doit répondre avec le ton, le rythme et l’émotion adaptés à la situation.

Aperçu de ce que nous avons lancé

Ce que nous avons déjà lancé

Eleven v3 Conversationnel.Notre version conversationnelle de v3, lancée dans ElevenAgents en février 2026 avec la gestion intégrée de la prise de parole. Le modèle de prise de parole est activé par défaut quand v3 Conversational est choisi comme modèle TTS.

Prise de parole spéculative.Une fonctionnalité distincte de v3 Conversational qui déclenche la génération de réponse LLM pendant les silences de l’utilisateur, pour réduire la latence perçue.

Flash v2.5.Notre modèle Text to Speech le plus rapide, conçu pour un usage en temps réel avec une latence minimale, à environ 75 ms d’inférence.*

Scribe v2.Notre modèle Speech to Text avec une précision de pointe.

Mode Expressif ElevenAgents.Permet aux agents d’utiliser des balises expressives comme [rit], [chuchote], [soupire] ou [lentement] pour adapter la restitution au contexte.

ElevenAgents Mode Expressif.Permet aux agents d’utiliser des balises expressives comme [rit], [chuchote], [soupire] et [lentement] pour adapter la restitution au contexte.

Notre vision pour la suite

Beaucoup de conversations avec l’IA ressemblent encore à des requêtes. Les vraies conversations ne fonctionnent pas ainsi. Réduire cet écart, c’est notre mission.

Beaucoup de conversations avec l’IA ressemblent encore à des requêtes. Les vraies conversations ne sont pas comme ça. Réduire cet écart, c’est notre mission.