Imaginez un instant : vous marchez dans la rue, les mains libres, sans jamais sortir votre téléphone de votre poche. Vous posez simplement une question à voix haute, donnez un ordre discret, reprenez une conversation laissée en suspens la veille… et l’intelligence artificielle vous répond avec une voix si naturelle qu’elle pourrait appartenir à un ami. Cette scène, qui ressemble encore à de la science-fiction pour beaucoup, est déjà en train de devenir réalité. Et selon Mati Staniszewski, cofondateur et PDG d’ElevenLabs, c’est précisément la voix qui va devenir la prochaine grande interface entre l’humain et la machine.
Quand la voix dépasse le texte : une révolution déjà en marche
Depuis l’arrivée fracassante de ChatGPT fin 2022, nous avons tous pris l’habitude d’échanger avec l’IA par écrit. Clavier, écran, saisie rapide ou fastidieuse selon les moments. Mais cette ère pourrait toucher à sa fin plus vite qu’on ne le pense. Les modèles de voix ont connu des progrès spectaculaires en à peine trois ans. Là où les synthèses vocales sonnaient autrefois robotiques et monocordes, elles captent aujourd’hui l’intonation, l’émotion, le rythme, les hésitations naturelles… bref, tout ce qui fait qu’une voix sonne humain.
ElevenLabs n’est pas un acteur parmi d’autres dans ce domaine : l’entreprise polonaise est devenue en quelques années l’un des leaders incontestés de la synthèse vocale ultra-réaliste. Sa technologie est déjà utilisée dans des milliers de projets créatifs, publicitaires, éducatifs, et même dans certains produits grand public. Mais ce qui différencie vraiment la vision de Mati Staniszewski, c’est qu’il ne s’arrête pas à la simple qualité sonore.
« Dans les années à venir, j’espère que nos téléphones retourneront dans nos poches pour de bon, et que nous pourrons nous immerger pleinement dans le monde réel, avec la voix comme seul mécanisme de contrôle de la technologie. »
Mati Staniszewski – CEO & co-fondateur d’ElevenLabs
Cette phrase prononcée lors du Web Summit à Doha en février 2026 résume à elle seule l’ambition démesurée – et crédible – de la jeune licorne devenue décacorne en une levée de 500 millions de dollars à une valorisation de 11 milliards.
De la simple synthèse vocale à l’agent vocal persistant
Le véritable saut qualitatif ne réside plus seulement dans la fidélité de la voix. Il se trouve dans l’alliance entre ces modèles audio de pointe et les capacités de raisonnement des grands modèles de langage (LLM). ElevenLabs ne se contente plus de « lire » un texte : ses voix dialoguent, comprennent le contexte, adaptent le ton en fonction de l’émotion perçue, gardent en mémoire les échanges précédents.
C’est ce qu’on appelle désormais l’IA agentique : un système capable d’agir de manière autonome ou semi-autonome sur la base d’un objectif général plutôt que d’instructions ultra-précises. Et quand cet agent est doublé d’une voix naturelle et persistante, l’interaction change radicalement de nature.
- Plus besoin de reformuler dix fois la même demande
- La mémoire contextuelle s’enrichit au fil des jours et des semaines
- L’intonation trahit l’urgence, l’humour, l’empathie
- L’utilisateur peut interrompre, reprendre, changer de sujet naturellement
Cette fluidité est exactement ce que recherchent aujourd’hui les géants du secteur. OpenAI avec Advanced Voice Mode, Google avec Gemini Live, Anthropic qui expérimente des interactions vocales longues… tous convergent vers le même constat : la voix est l’interface la plus naturelle pour l’humain.
Un futur sans écran ? Pas tout à fait, mais presque
Attention toutefois : personne ne prétend sérieusement que les écrans vont disparaître. Les interfaces visuelles resteront indispensables pour le gaming, le montage vidéo, la retouche photo, la lecture approfondie, la cartographie détaillée… Mais pour la majorité des interactions quotidiennes – programmer un rappel, envoyer un message, consulter son agenda, commander un taxi, piloter sa maison connectée, discuter avec un assistant personnel – la voix offre une liberté incomparable.
Seth Pierrepont, general partner chez Iconiq Capital, partageait d’ailleurs ce point de vue sur la même scène du Web Summit : les claviers et écrans tactiles commencent à donner une impression de technologie « dépassée » dès lors qu’une IA comprend vraiment ce qu’on lui demande sans qu’on ait besoin de tout expliciter.
ElevenLabs mise sur l’hybridation cloud + on-device
Pour rendre cette vision concrète, ElevenLabs travaille activement sur une architecture hybride. Jusqu’ici, la très haute qualité des voix passait presque exclusivement par le cloud : latence acceptable, mais dépendance totale à la connexion internet et problèmes évidents de confidentialité.
La nouvelle stratégie consiste à déplacer une partie significative du traitement directement sur l’appareil (smartphone, écouteurs, lunettes connectées, voiture…). Les avantages sont multiples :
- Réactivité quasi instantanée même sans réseau
- Meilleure protection des données personnelles
- Fonctionnement continu en arrière-plan possible
- Consommation énergétique mieux maîtrisée sur le long terme
Cette approche est indispensable pour équiper les wearables de demain : écouteurs true wireless nouvelle génération, lunettes intelligentes type Ray-Ban Meta, montres, anneaux connectés… autant de supports où l’écran est absent ou minuscule, et où la voix devient logiquement le canal principal.
Partenariats stratégiques : Meta en première ligne
ElevenLabs a déjà franchi une étape importante en nouant un partenariat avec Meta. La technologie vocale de la startup polonaise est intégrée dans plusieurs produits du groupe : Instagram (notamment pour les voix de créateurs), mais aussi Horizon Worlds, la plateforme VR / metaverse de Meta.
Mati Staniszewski n’a pas caché, lors de son intervention, qu’il serait très ouvert à aller plus loin avec les lunettes connectées Ray-Ban Meta, qui se positionnent précisément comme un produit voix-centré. Quand on sait que Meta investit massivement dans l’IA embarquée et les interfaces alternatives à l’écran, le rapprochement semble presque naturel.
Les ombres au tableau : vie privée et surveillance
Mais toute médaille a son revers. Plus une IA vocale est omniprésente, plus elle écoute. Et plus elle écoute, plus elle collecte de données intimes : tonalité émotionnelle, état de fatigue, disputes, confidences, habitudes de langage… Autant d’éléments qui, combinés, dessinent un portrait psychologique d’une précision effrayante.
Les critiques envers Google Assistant et Alexa ont déjà été nombreuses sur ces questions. Avec des modèles dix fois plus performants et toujours actifs, les risques de dérive augmentent exponentiellement. Staniszewski en est conscient et affirme que l’entreprise met l’accent sur la transparence et le contrôle utilisateur, mais la confiance reste fragile dans un secteur où les scandales de données se succèdent.
« Nous devons construire ces systèmes avec des garde-fous très forts dès le départ, sinon nous risquons de créer les outils de surveillance les plus puissants jamais imaginés. »
Commentaire anonyme d’un chercheur en éthique de l’IA (2026)
Quel calendrier pour cette révolution vocale ?
Difficile de donner une date précise, mais plusieurs indices convergent :
- 2025-2026 : explosion des agents vocaux longue durée chez OpenAI, Google, Anthropic
- 2026-2027 : arrivée massive de modèles hybrides cloud/on-device chez les leaders
- 2027-2029 : intégration standard dans les écouteurs haut de gamme et lunettes intelligentes
- 2030+ : possible bascule où la majorité des interactions non-créatives se font vocalement
ElevenLabs, avec sa valorisation de 11 milliards et ses technologies déjà très en avance sur la qualité émotionnelle, est particulièrement bien placée pour accompagner – voire accélérer – cette transition.
Et si la voix redonnait du temps à l’humain ?
Au-delà des aspects technologiques et business, la vision défendue par Mati Staniszewski porte aussi une promesse philosophique : rendre à l’être humain la liberté de regarder le monde autour de lui au lieu de fixer un rectangle lumineux.
Moins de temps passé à pianoter, plus de temps passé à vivre. Moins d’écrans interposés, plus de contact direct avec les gens et les lieux. Une utopie ? Peut-être. Mais quand on écoute les dernières démos d’ElevenLabs, quand on discute cinq minutes avec leur API voix ultra-réaliste, on se dit que cette utopie est peut-être plus proche qu’on ne le croit.
La prochaine fois que vous parlerez tout seul dans la rue en donnant des ordres à votre assistant IA, souvenez-vous : vous ne passez peut-être pas pour un fou… vous êtes peut-être simplement en avance sur votre époque.
Et vous, seriez-vous prêt à ranger votre téléphone pour de bon et laisser votre voix piloter votre quotidien numérique ?
