Runway Characters et l'avatar conversationnel temps réel /
GPT-Realtime-2 et la voix dotée de raisonnement /
Inworld TTS-2 et la voix qui écoute avant de parler

Runway a publié le 4 mai 2026 un nouveau produit, Runway Characters, qui transforme une image de référence unique en avatar vidéo conversationnel diffusé en direct à 24 images par seconde HD, avec une latence de bout en bout de 1,75 seconde entre la fin de la phrase de l'utilisateur et le début de la réponse animée du personnage. Le système est bâti sur GWM-1, le world model général de l'éditeur, qui produit le lip-sync, les expressions faciales et les micro-mouvements de tête sans modèle 3D intermédiaire — la cohérence visuelle entre images successives est entièrement portée par la prédiction de pixels conditionnée sur l'audio entrant. Le moteur tourne avec environ 37 millisecondes par image côté serveur, performance qui rend la conversation perçue comme fluide plutôt que retardée. La fonctionnalité est disponible immédiatement via l'API Runway, l'application web et les apps mobiles, et la BBC et Silverside figurent parmi les premiers partenaires actifs sur le produit. Le déplacement le plus net porte sur l'objet d'usage : Characters n'est plus un outil de génération vidéo offline mais une brique d'incarnation qu'on insère dans un produit (tutorat, support, scénographie de marque), au même rang que le personnage visuel d'un album incarne longtemps une œuvre musicale dans la mémoire des auditeurs.

OpenAI a annoncé le 7 mai 2026, par la voix de Greg Brockman sur X, la mise en production de trois nouveaux modèles audio temps réel — GPT-Realtime-2, GPT-Realtime-Translate et GPT-Realtime-Whisper — disponibles immédiatement via l'API. Le modèle phare est présenté comme le premier modèle vocal doté du raisonnement de classe GPT-5, avec une fenêtre de contexte qui passe de 32K à 128K tokens et un usage d'outils en cours de conversation : l'agent peut consulter un agenda, lancer une recherche ou exécuter une action et verbaliser ce qu'il fait au moment où il le fait. Sur le banc d'essai Big Bench Audio, GPT-Realtime-2 (haute qualité) gagne 15,2 points sur GPT-Realtime-1.5, et la version « xhigh » progresse de 13,8 points sur Audio MultiChallenge en suivi d'instructions. GPT-Realtime-Translate traite 70 langues sources vers 13 cibles en restant calé sur le rythme de l'orateur, tandis que GPT-Realtime-Whisper diffuse la transcription en flux continu pendant que l'utilisateur parle. La grille tarifaire est annoncée à 32 dollars par million de tokens audio entrants et 64 dollars par million de tokens audio sortants sur le modèle phare, pendant que Zillow revendique en pilote un gain de 26 points sur le taux de succès de ses appels téléphoniques.

Inworld AI a publié le 5 mai 2026 son nouveau modèle Realtime TTS-2 en research preview sur l'Inworld API et l'Inworld Realtime API, dans une logique architecturale qui rompt avec le standard du secteur. Là où les TTS classiques reçoivent un transcript et produisent une voix, TTS-2 prend en entrée l'audio brut des tours précédents de la conversation et capte le ton, le rythme et l'état émotionnel de l'utilisateur avant de répondre — c'est la « boucle fermée » revendiquée par l'éditeur, qui rapproche la synthèse vocale du fonctionnement d'un acteur en réplique plutôt que d'un narrateur en récit. La direction vocale s'exprime en langage naturel (« plus pressé », « presque chuchoté », « hésitant ») là où les API précédentes proposaient une enum d'émotions figée. Le clonage de voix passe par un endpoint /voices/v1/voices:clone qui ingère un échantillon de référence de 5 à 15 secondes et renvoie un voice ID utilisable comme n'importe quelle voix native, avec préservation de l'identité dans le switch cross-lingual couvrant plus de 100 langues. Une dernière fonction, Advanced Voice Design, permet de fabriquer une voix entièrement à partir d'une description en prose — sans aucun échantillon réel — pour des personnages qui n'existent que dans la fiction.