Hugging Face et Cerebras ont présenté une nouvelle architecture d'intelligence artificielle vocale conçue pour fonctionner en temps réel. En combinant des modèles open source avec une infrastructure d'inférence haute performance, ils visent à éliminer les délais de réponse qui dégradent souvent l'expérience utilisateur. Leur système repose sur un pipeline vocal modulaire et entièrement transparent, fonctionnant en boucle de reconnaissance à synthèse speech-to-speech. La chaîne intègre la reconnaissance vocale de Nvidia Parakeet, le modèle de langage Gemma 4 de Google DeepMind, le moteur de synthèse vocale Qwen3TTS d'Alibaba, et les processeurs de Cerebras pour accélérer considérablement l'inférence du modèle linguistique. Cette configuration permet à l'IA de traiter et de restituer la parole avec une fluidité proche de celle d'une conversation humaine, contournant ainsi les latences intermittentes qui perturbent les solutions actuelles. Au-delà de la vitesse, l'objectif principal est la stabilité des performances, notamment sur les percentiles élevés où les retards restent les plus perceptibles pour l'utilisateur. Cette réactivité constante est indispensable pour des applications exigeantes comme les robots, dont plus de neuf mille exemplaires du modèle Reachy Mini sont déjà opérationnels, ainsi que pour les assistants vocaux et l'intelligence artificielle incarnée. Pour ces domaines, la rapidité ne constitue pas un simple raffinement technique mais une condition nécessaire pour garantir des interactions naturelles et fiables à grande échelle. Cette collaboration illustre une vision partagée : l'avenir de l'IA conversationale reposera sur la convergence entre l'open source, des infrastructures accessibles et des temps d'exécution optimisés. En offrant un cadre où chaque module peut être analysé et adapté, Hugging Face et Cerebras fournissent aux développeurs une base polyvalente pour de nouveaux produits et projets de recherche. La démonstration technique et les codes sources sont désormais accessibles publiquement, invitant la communauté à expérimenter et à accélérer le développement d'assistants vocaux véritablement en temps réel.