LiveKit apprend aux agents vocaux à jouer la comédie
— AGENTS
LiveKit ajoute une couche qui glisse hésitations, chaleur ou soupirs dans la voix des agents conversationnels, sans que les développeurs codent chaque fournisseur TTS à la main. La direction artistique de ces voix se décide déjà ailleurs, dans des briques d'infrastructure invisibles aux créatifs.
Un agent vocal qui hésite avant de répondre, qui marque une pause ou glisse un soupir au bon moment, ça ne s'improvise pas dans le code d'un assistant. LiveKit installe une couche entre le modèle de langage et la synthèse vocale pour gérer ça automatiquement, en injectant des indications de prosodie que le moteur TTS sait interpréter.
Cette brique s'adresse aux équipes qui construisent des assistants conversationnels, pas aux directeurs artistiques du son ou aux concepteurs de voix off. Fish Audio, Inworld, Cartesia et xAI sont les fournisseurs pris en charge au départ, et LiveKit traduit leurs façons propres d'écrire l'émotion vers un langage commun. Onze catégories d'humeur en sortent, transmissibles à une interface pour animer par exemple un indicateur visuel pendant que l'agent parle.
Ce genre d'orchestration décide en silence de ce que deviendra la voix des marques dans leurs bornes interactives, callbots et assistants clients. Le jour où une entreprise commande une voix d'agent avec un vrai parti pris de personnalité, c'est ce type de couche qui encaissera la commande, pas un outil de doublage grand public. Le rapport de force se joue déjà entre plateformes d'infrastructure vocale, avant même que la question créative n'arrive sur la table.
Une limite s'impose tout de suite: xAI peut moduler la prosodie de sa voix mais ne renvoie pas le signal d'expression vers l'interface. L'harmonisation promise reste donc partielle, et chaque fournisseur garde une zone d'ombre que le framework ne couvre pas encore entièrement.
L'intérêt réel tient à ce que ça évite: réécrire à la main la syntaxe de chaque moteur vocal pour obtenir une hésitation ou une pause crédible. Ça vaut pour un studio technique qui multiplie les intégrations, moins pour qui cherche une signature vocale précise et maîtrisée de bout en bout.
Les briefs de voix de marque arriveront un jour chez des designers sonores qui devront composer avec ce que ces couches d'orchestration autorisent déjà, ou pas.