J'ai fait un pari simple : remplacer le formulaire « décrivez votre besoin » par une vraie conversation. Parler est moins coûteux pour le visiteur qu'écrire, et la voix laisse passer l'intention beaucoup mieux que des mots tapés en deux minutes.
Voici comment c'est construit, pourquoi je l'ai fait, et ce que ça change dans mon cycle de vente.
La pipeline, étape par étape
Cinq blocs, branchés en chaîne autour d'un WebSocket :
- Le navigateur capte l'audio via l'API
getUserMedia, en chunks courts (envoyés au fur et à mesure). - Mistral Voxtral transcrit chaque tour de parole en français — c'est le speech-to-text, le maillon clé.
- Le LLM Mistral comprend et répond, en suivant un prompt système qui le cadre sur l'objectif : faire émerger le besoin du prospect en 4 à 6 échanges, sans monologue, sans phase de vente.
- Mistral TTS génère la voix de réponse (voix « marie » par défaut — claire, naturelle, en français). Le client la lit dès qu'elle arrive.
- Quand la conversation se termine, l'assistant propose un récapitulatif éditable. Si le visiteur le valide, un mail part chez moi via Brevo : transcript complet, email de contact, résumé structuré du besoin.
Le tout coordonné par un petit serveur Node.js / Express avec un WebSocket, un heartbeat ping/pong toutes les 30 s pour éviter les sessions zombies, et un rate-limit (3 conversations par heure et par IP) pour ne pas se faire abuser.
Pourquoi Mistral, et pas un autre
Trois raisons assumées :
- Stack 100 % française. Mistral, c'est Paris. La donnée vocale ne sort jamais du périmètre UE. Quand je vends de la souveraineté à mes clients, je suis cohérent avec mon propre site.
- Qualité française. Voxtral comprend les accents, les hésitations et le vocabulaire métier français mieux qu'un modèle généraliste anglais traduit. TTS « marie » sonne juste — pas robotique, pas trop chaleureuse, professionnelle.
- Coût maîtrisé. Quelques centimes par conversation. Un lead qualifié qui aboutit couvre des mois d'usage. Ce n'est pas un produit SaaS qui se facture à l'utilisateur — c'est une API à la consommation.
Ce que ça change côté marketing
L'effet le plus visible est silencieux : je ne suis jamais surpris au téléphone. Quand un prospect a parlé à l'assistant, je sais avant de le rappeler qui il est, ce qu'il cherche, l'enjeu de fond, le périmètre. Le premier coup de fil démarre directement sur le bon sujet, sans phase de découverte.
Trois effets secondaires intéressants :
- Démo de compétence. Un freelance qui assemble une pipeline vocale IA en production envoie un signal technique fort. Les prospects me l'ont dit explicitement.
- Disponibilité 24 / 7. Le prospect qui passe à 22 h le dimanche ne tombe pas sur un formulaire vide ni un rappel le mardi suivant. Il commence le travail.
- Qualification implicite. Les gens qui prennent 2 minutes pour parler à un robot ont une vraie intention. La conversion derrière est plus haute qu'avec un formulaire générique.
Avant / Après
Ce que ça ne règle pas
L'assistant vocal n'est pas un canal pour tout le monde. Les visiteurs sur Safari iOS ou Firefox n'ont pas un support complet de la reconnaissance vocale navigateur — j'ai donc gardé une bascule « préférez écrire ? » dans la même modale, vers un mini-formulaire. La voix qualifie aussi mal qu'un humain les prospects qui ne savent pas eux-mêmes ce qu'ils veulent : dans ces cas-là, ça reste un premier contact, suivi d'un vrai diagnostic. Et il ne remplace pas une page de vente : il qualifie l'intention, il ne convertit pas tout seul.
Le meilleur formulaire de contact n'est pas un formulaire. C'est une conversation que vous n'avez pas besoin d'écrire — et que je peux reprendre là où vous l'avez laissée.