ChatGPT : les appels vidéo arrivent en France pour les abonnés payants

La conversation avec ChatGPT ne se limite plus au texte ou à la voix. En France, les utilisateurs qui disposent d’un abonnement payant peuvent désormais allumer la caméra de leur téléphone pendant un échange avec l’assistant. L’objectif est simple : montrer ce que l’on a sous les yeux pour que le chatbot puisse le commenter, poser des questions ou proposer une piste de réponse.

Annoncée par OpenAI dans le cadre de son mode vocal avancé, cette possibilité de partager un flux vidéo était très attendue depuis les démonstrations de mai 2024. Elle marque une étape importante dans l’évolution des assistants conversationnels : au lieu de devoir décrire longuement un objet, une tenue ou un souci technique, l’utilisateur peut le placer dans le champ de la caméra et en parler directement.

Il ne s’agit pas d’une visioconférence avec un humain, ni d’une diffusion publique en direct. ChatGPT reçoit les images captées par la caméra au cours d’une conversation vocale et répond à ce qu’il perçoit. Cette nuance est essentielle pour comprendre l’usage réel de la fonction : c’est une interaction visuelle avec une intelligence artificielle, intégrée à l’application mobile.

Une fonction vidéo réservée aux abonnés payants

Au 1er février 2025, l’accès à la vidéo dans ChatGPT est proposé aux utilisateurs européens disposant d’un plan payant. La fonction s’inscrit dans le mode vocal avancé, l’interface qui permet de dialoguer oralement avec l’assistant plutôt que de saisir ses demandes au clavier.

OpenAI avait suscité beaucoup d’intérêt en mai 2024 avec ses démonstrations d’interactions vocales plus naturelles et réactives. La vidéo ajoute une couche d’information : ChatGPT ne se fonde plus uniquement sur les mots prononcés, mais aussi sur ce que la caméra lui montre. Il peut ainsi réagir à un élément de l’environnement, suivre la question de l’utilisateur et répondre dans la continuité de l’échange.

Pour utiliser cette fonction, il faut donc réunir trois conditions pratiques :

• posséder un abonnement payant à ChatGPT ;
• utiliser un appareil équipé d’une caméra et d’un microphone ;
• disposer d’une connexion Internet suffisamment stable pour maintenir une conversation vocale et transmettre les images.

La qualité perçue du flux dépend nécessairement de l’appareil et de la connexion. L’intérêt de la fonctionnalité ne repose toutefois pas sur la production d’une vidéo de haute définition : il consiste surtout à permettre à l’assistant de distinguer les éléments utiles à la discussion.

Comment activer la caméra dans le mode vocal avancé ?

L’activation se fait depuis l’espace habituel de saisie de ChatGPT. Il faut ouvrir le mode vocal avancé, repérable dans la barre de prompt, puis toucher l’icône représentant une caméra. Une fois la vidéo lancée, l’utilisateur peut commencer à parler et montrer ce qu’il souhaite à l’assistant.

Les principales commandes sont résumées ci-dessous.

La possibilité de basculer entre caméra avant et caméra arrière est utile selon la situation. La caméra arrière convient logiquement pour montrer un objet, un appareil ou une scène située devant soi. La caméra frontale peut servir lorsqu’une personne veut se montrer et demander un retour sur un élément visible, comme une tenue.

Le fonctionnement reste volontairement direct. Il n’est pas nécessaire d’envoyer une image dans une conversation écrite ni de rédiger une description exhaustive avant de parler. L’utilisateur montre un élément, formule sa demande, puis peut préciser son besoin à mesure que l’échange avance.

Que peut faire ChatGPT quand il voit votre environnement ?

Le principal apport de la vidéo est de réduire l’écart entre une situation concrète et sa description. Au lieu d’écrire « j’ai devant moi plusieurs options » ou « ce voyant est allumé sur mon appareil », il devient possible de les cadrer et de demander à ChatGPT ce qu’il en pense.

Les exemples les plus parlants relèvent de la vie courante. Une personne peut montrer plusieurs vêtements et demander lequel paraît le plus approprié pour un entretien. L’assistant peut alors commenter les choix visibles et poursuivre la discussion à l’oral. Dans un contexte technique, l’utilisateur peut montrer l’objet qui lui pose problème, expliquer ce qu’il tente de faire et demander des indications générales.

Cette approche est particulièrement intéressante lorsque les mots manquent ou que l’objet est difficile à décrire. C’est le cas d’un accessoire, d’un branchement, d’un outil, d’un écran ou d’une pièce dont on ignore le nom. La caméra ne transforme pas ChatGPT en spécialiste capable de résoudre chaque problème, mais elle lui donne davantage de contexte pour comprendre la demande.

La vidéo peut aussi rendre les explications plus fluides. L’utilisateur n’a plus besoin d’interrompre sa phrase pour taper un complément ou joindre une photo. Il garde les mains libres, parle naturellement et attire l’attention de l’assistant sur ce qui l’intéresse. C’est là que le mode vocal avancé prend tout son sens : le dialogue est conçu comme une conversation continue, enrichie par ce que la caméra montre.

Des pistes d’usage concrètes, avec discernement

Cette fonction peut être envisagée dans plusieurs situations simples :

• demander un avis sur plusieurs objets visibles ;
• faire décrire ou expliquer un élément que l’on ne parvient pas à identifier ;
• obtenir des premières indications face à un problème technique courant ;
• demander à ChatGPT de reformuler des instructions en tenant compte de ce qui est montré ;
• échanger à l’oral tout en présentant le contexte matériel d’une question.

Ces cas d’usage ne doivent pas être confondus avec une expertise professionnelle. Une réponse produite par ChatGPT demeure une réponse d’intelligence artificielle, susceptible d’être imprécise ou inadaptée. Pour une réparation risquée, une question médicale, juridique ou financière, la vidéo ne remplace ni les consignes du fabricant, ni un professionnel compétent.

Une expérience convaincante, mais pas encore irréprochable

Les démonstrations d’OpenAI avaient laissé entrevoir des échanges rapides et très naturels. Dans les premiers retours évoqués autour de la fonction, la reconnaissance des éléments présents dans l’environnement apparaît souvent précise. La voix de l’assistant est également perçue comme naturelle, ce qui renforce l’impression de discuter avec un interlocuteur qui suit la scène.

Cette impression peut être frappante lorsqu’un utilisateur montre plusieurs éléments et sollicite une réponse immédiate. Le dialogue gagne alors en spontanéité par rapport à une conversation écrite classique, où chaque détail doit être transcrit. La caméra permet à ChatGPT de réagir à un environnement plutôt qu’à une description abstraite de cet environnement.

Mais cette promesse s’accompagne de limites notables. Des utilisateurs ont rapporté des moments de moindre réactivité. L’assistant peut parfois répéter plusieurs fois les mêmes phrases ou se mettre à répondre en anglais sans raison évidente, y compris au cours d’une conversation engagée en français. Ces incidents rappellent que le mode n’est pas infaillible et que son comportement peut varier selon la situation.

Il faut aussi accepter qu’une intelligence artificielle visuelle ne perçoive pas forcément ce qu’un humain remarquerait immédiatement. Un cadrage imprécis, un éclairage insuffisant, un mouvement trop rapide ou plusieurs objets semblables peuvent compliquer l’interprétation. Pour améliorer les chances d’obtenir une réponse utile, il est donc préférable de montrer l’objet clairement, de le garder quelques instants dans le champ et de poser une question précise.

Comment obtenir des réponses plus utiles avec la vidéo ?

La qualité de l’échange dépend beaucoup de la façon dont la question est posée. Allumer la caméra ne suffit pas toujours : ChatGPT doit savoir ce que l’utilisateur cherche à obtenir. Une demande comme « qu’est-ce que tu vois ? » peut aider à amorcer la conversation, mais elle reste vague. Une question contextualisée produit généralement une réponse plus exploitable.

Plutôt que de demander un avis général, il est utile de dire ce qui compte. Par exemple : « Parmi ces deux vestes, laquelle paraît la plus adaptée à un entretien formel ? » ou « Peux-tu m’aider à décrire cette pièce pour rechercher son mode d’emploi ? » Dans le cas d’un appareil, mieux vaut signaler le symptôme observé et préciser ce qui a déjà été essayé.

Quelques réflexes simples peuvent faciliter l’usage :

• cadrer l’élément concerné plutôt que toute la pièce ;
• éviter de déplacer le téléphone trop vite ;
• formuler une question claire, puis demander une précision si la réponse reste générale ;
• utiliser la caméra arrière lorsque l’objectif est de montrer un objet ou un écran ;
• couper la vidéo dès qu’elle n’est plus nécessaire et poursuivre l’échange à la voix.

Il convient également de faire attention à ce qui entre dans le champ. Un espace de vie peut contenir des informations personnelles, des visages, des documents, des coordonnées ou des éléments professionnels confidentiels. Avant de démarrer le partage vidéo, mieux vaut vérifier le cadrage et retirer ce qui n’est pas utile à la question. La fonction est pratique précisément parce qu’elle donne à l’assistant un accès visuel au contexte : cette force invite à la prudence.

Ce que cette évolution change dans la relation aux assistants

Avec la vidéo, ChatGPT se rapproche d’un assistant que l’on consulte au fil d’une activité plutôt que d’un simple outil de rédaction. Le changement n’est pas seulement technique. Il modifie la manière de formuler une demande : l’utilisateur peut montrer, désigner, hésiter à voix haute, puis reformuler, sans passer constamment par le clavier.

Cette évolution peut être précieuse pour des personnes peu à l’aise avec les descriptions détaillées ou avec la recherche d’informations sur un écran. Elle ouvre aussi des perspectives pour des usages professionnels où il faut expliquer rapidement un contexte matériel. Pour autant, elle ne transforme pas ChatGPT en observateur omniscient. L’assistant interprète les images qu’il reçoit et peut se tromper, manquer un détail ou ne pas comprendre l’intention derrière une scène.

Le terme de « diffusion en direct » peut donner l’impression d’un service de streaming. Dans la pratique, la fonction ressemble davantage à une caméra ponctuellement ouverte au sein d’un appel vocal. C’est cette combinaison, voix continue et regard de la caméra, qui constitue la nouveauté. Elle rend l’interface plus immédiate, mais elle conserve les forces et les faiblesses habituelles d’un chatbot.

Ce qu’il faut surveiller

L’arrivée de la vidéo en France constitue une nouvelle étape pour le mode vocal avancé de ChatGPT. Les premiers retours montrent un potentiel réel pour demander un avis, commenter un objet ou obtenir une aide de premier niveau face à un problème concret. La fonction donne une forme plus naturelle aux échanges et pourrait, à terme, trouver sa place dans davantage de tâches du quotidien et dans certains environnements professionnels.

Son utilité dépendra toutefois de sa fiabilité. La réactivité, la cohérence des réponses en français et la capacité à éviter les répétitions seront déterminantes pour passer du simple effet de démonstration à un outil réellement adopté. Les utilisateurs devront aussi apprendre à doser ce qu’ils montrent, en réservant la caméra aux informations nécessaires et en gardant à l’esprit que l’assistant peut commettre des erreurs.

À ce stade, la vidéo de ChatGPT est surtout une manière nouvelle et parfois très pratique de poser une question. Elle est suffisamment aboutie pour susciter la curiosité et expérimenter des usages concrets, mais encore trop imparfaite pour que ses recommandations soient suivies sans vérification dans les situations importantes.