Une IA vocale branchée sur un IPBX
ce qu'on a appris

La chaîne, de l'appel à la réponse

Un appel arrive sur un numéro, entre dans un IPBX Asterisk, qui le route vers une passerelle SIP. La passerelle ouvre un flux audio vers un service applicatif : reconnaissance de la parole, modèle de langage, synthèse vocale. La réponse refait le chemin inverse, dans le même flux, sans jamais raccrocher.

Chaque maillon est simple. C'est leur empilement qui pose problème, parce que les latences s'additionnent et que la voix ne tolère pas l'à-peu-près.

Les trois contraintes qui décident de tout

• La latence cumulée : la somme des temps de parole, de transcription, de génération et de synthèse. Au-delà de quelques centaines de millisecondes, l'appelant croit à une coupure et parle par-dessus.
• La gigue et la perte de paquets : un flux voix supporte mal les variations de rythme. Un réseau chargé dégrade la compréhension bien avant de couper l'appel.
• L'interruption : savoir se taire quand l'appelant reprend la parole. C'est un problème de tampon audio et de détection d'activité vocale, pas de modèle.

Ce qu'on a appris en le branchant pour de vrai

Sur un premier déploiement, la démonstration fonctionnait en laboratoire et le premier appel réel a été catastrophique : le temps de réponse perçu était deux fois plus long qu'annoncé. La mesure faite brique par brique était juste, c'est l'enchaînement qui coûtait.

Conséquence : nous ne mesurons plus un composant isolé, mais le temps entre la fin de la phrase de l'appelant et le premier son de la réponse. C'est la seule mesure qui corresponde à ce qu'entend la personne au bout du fil.

Les garde-fous, avant la performance

• Transfert humain à tout moment un mot-clé, une demande explicite, un doute du modèle : l'appel part vers un poste réel.
• Périmètre fermé l'assistant ne répond que sur un domaine documenté. Hors périmètre, il ne devine pas : il transfère.
• Journalisation chaque appel laisse une trace exploitable : horodatage, intention détectée, décision de transfert.

Ce que nous n'annonçons pas

La visioconférence hébergée localement reste en développement : nous ne la vendons pas. Le standard vocal, les postes IP, les conférences téléphoniques et le trunk SIP sont, eux, en service. La règle est simple : un article, comme une plaquette, ne décrit que ce qui tourne déjà chez un client.