Depuis GPT-4o Realtime, « temps réel » est devenu le mot magique des comités de direction. Les démos impressionnent : 200 ms de latence, interruptions naturelles, une conversation qui ressemble enfin à une conversation.

Alors les équipes réclament du realtime. Partout. Pour tout.

C'est une erreur d'architecture déguisée en ambition. On choisit le frisson de la démo, pas la pertinence du cas d'usage. Et la facture suit.

C'est une erreur d'architecture déguisée en ambition.

Ce que la hype ne montre pas

Le realtime traite l'audio nativement, sans transcription intermédiaire.

C'est réel, c'est impressionnant, et ça a trois contreparties que les démos escamotent.

Le coût. Le speech-to-speech natif est structurellement plus cher qu'un pipeline séparé. À volume élevé, support, qualification, l'écart n'est pas marginal, il est budgétaire.

La voix. Dans un stack realtime pur, la synthèse est intégrée au modèle. Moins de personnalisation TTS, pas de voix clonée. La voix de votre marque devient celle du fournisseur.

La pertinence. Un utilisateur qui explore un catalogue à la voix mérite 200 ms. Un prospect qui enregistre un message en mode asynchrone n'entendra jamais la différence. Payer du realtime pour ce cas, c'est brûler du budget pour un frisson que personne ne ressent.

Deux architectures, un réglage — pas un dogme

Chez Scenaro, chaque scénario choisit son architecture.

Ce n'est pas une décision de plateforme, c'est un réglage par contexte.

Le modèle realtime : audio natif, environ 200 ms, interruptions naturelles. Idéal quand la fluidité conversationnelle est le différenciateur, un conseiller premium en full duplex, une exploration produit à la voix. Contrepartie : moins de contrôle sur la voix.

Le pipeline STT→LLM→TTS : 800 ms à 1,5 s, mais un contrôle total sur chaque couche. Vous choisissez votre moteur de transcription, votre modèle, votre voix, clonée si besoin. Idéal pour le volume, le contrôle des coûts, l'identité sonore.

Et entre les deux, la variante hybride : inférence realtime, synthèse vocale séparée. La vitesse du realtime côté raisonnement, la liberté côté voix.

Aucune des trois n'est « le futur ». Chacune répond à une question différente.

La bonne question

La bonne question n'est pas « realtime ou pas ? ». C'est : quelle latence, quelle voix et quel coût correspondent à ce scénario précis ?

Un conseiller vin en full duplex sur une page d'accueil justifie le realtime. Un scénario de qualification en push-to-talk n'a pas besoin de 200 ms, un pipeline séparé fait le travail, à une fraction du coût, avec la voix exacte de la marque.

C'est pour ça que chez Scenaro le choix se fait scénario par scénario, dans le Cockpit. La même expérience conversationnelle peut faire tourner un scénario realtime et un scénario pipeline côte à côte. On compare, on mesure, on ajuste. Le versioning des scénarios permet même de tester une architecture contre l'autre sur le même parcours avant de généraliser.

L'erreur la plus coûteuse reste la même : déployer du realtime partout parce que la démo a impressionné, puis découvrir en facturation que la majorité des conversations n'en avaient pas besoin. L'architecture vocale se décide par cas d'usage. Jamais par effet de mode.