Il y a un moment dans tout projet conversationnel où quelqu'un dit : « et si on mettait ça en voix ? » La question est bonne.

La réponse par défaut, la voix partout, activée sur toutes les pages, pour tous les utilisateurs, est mauvaise.

Le résultat, on le connaît : un agent qui parle pendant que l'utilisateur lit une fiche technique. Qui interrompt une comparaison pour poser une question ouverte. Qui exige de parler à voix haute dans un open space. Plus d'irritation que de fluidité.

La voix n'est pas un mode universel. C'est un choix contextuel. Et ce choix mérite une politique, pas un toggle.

La voix n'est pas un mode universel. C'est un choix contextuel.

La voix occupe l'espace mental

C'est sa force et sa limite, et tout le reste en découle.

En découverte, un utilisateur qui arrive sans idée précise, qui hésite entre plusieurs catégories, la voix est idéale. Elle guide sans forcer, reformule des besoins flous, crée une relation. Exactement ce qu'un bon vendeur ferait.

En analyse, elle devient un obstacle. L'utilisateur qui compare deux fiches techniques veut lire, s'arrêter, revenir en arrière. Le cerveau ne traite pas simultanément un discours oral et un texte dense. Un agent qui parle à ce moment-là ne conseille pas, il dérange.

Ajoutez le contexte social : open space, transport, café. Parler à voix haute y est impossible ou inconfortable pour la majorité des gens. Ce n'est pas un cas limite, c'est une part énorme des usages réels.

Le « voice everywhere » ignore tout cela. Il transforme le meilleur atout de la voix, la présence, en repoussoir.

Une politique d'activation, pas un paramètre

La réponse n'est pas d'abandonner la voix. C'est de la calibrer par contexte, comme une politique d'expérience.

Chez Scenaro, quatre modes couvrent le spectre. Full duplex, l'agent et l'utilisateur parlent et s'interrompent naturellement, pour la découverte et le conseil. Mode discret, l'agent écoute la voix mais répond par écrit, pour les contextes publics ou les contenus qui se lisent. Push-to-talk, l'utilisateur déclenche quand il le décide, pour le support et les environnements bruyants. Texte→audio, l'utilisateur tape, l'agent parle, pour les mains occupées.

Ce ne sont pas des toggles. Ce sont des partis pris de design, activés par contexte : full duplex sur la page d'accueil, mode discret sur une fiche produit, push-to-talk en support. Urbansider, concierge de voyage en production active, propose ce « mode discret » à ses voyageurs, parce qu'on ne parle pas à voix haute à son téléphone dans le métro parisien.

Et le contexte bouge pendant la session. L'utilisateur qui arrive en découverte profite du full duplex ; dix minutes plus tard, plongé dans des fiches techniques, le même utilisateur a besoin que l'agent se taise ou bascule à l'écrit. Sur Scenaro, ces transitions se définissent au niveau du scénario, pas seulement de la page.

C'est une leçon apprise en production. Sur le Club Français du Vin, notre première expérience, la conversation vocale était continue, et certains utilisateurs voulaient explorer en silence. Urbansider, la génération suivante, en tire les conséquences : on peut mettre l'agent en pause à tout moment, explorer la carte sans narration, et chaque écran offre un bouton pour demander à l'agent de raconter, quand on le décide. La voix reste disponible en permanence. Elle n'est plus imposée en permanence.

La voix reste disponible en permanence. Elle n'est plus imposée en permanence.

Le tempo technique suit le tempo d'usage

Le mode vocal détermine aussi la stack. Un parcours de découverte en full duplex exige une architecture realtime, où les interruptions sont naturelles. Un parcours de support en mode discret tolère un pipeline STT→LLM→TTS, quand l'agent répond par écrit, l'utilisateur lit à son rythme et la latence pèse moins.

Chaque marque choisit sa stack par scénario, parmi des dizaines de fournisseurs, sans lock-in, avec le coût estimé de chaque configuration affiché dans l'éditeur. La politique vocale s'arbitre entre contexte, budget et fluidité, scénario par scénario, depuis le Cockpit.

La détection d'activité vocale et le filtrage du bruit complètent le dispositif : un agent qui se déclenche sur un bruit de fond, ou qui coupe l'utilisateur à la moindre hésitation, ruine la meilleure politique d'activation.

La voix est un outil puissant. Son efficacité dépend du moment où on le sort, et de celui où on le range. Savoir quand ne pas parler est une compétence de design au même titre que savoir quoi dire.