Une commande vocale qui ne se déclenche pas quand on le lui demande, c'est un irritant. Une commande qui se déclenche sans qu'on la prononce, sur un appareil doté d'un microphone et d'une caméra porté au visage, c'est une tout autre affaire. C'est pourtant ce que des utilisateurs des lunettes Ray-Ban Meta ont signalé ces derniers jours, selon le site Mon Carnet : leurs lunettes enregistraient des conversations sans que le mot d'éveil « Hey Meta » ait été prononcé.
Ce qui a été signalé
Selon Mon Carnet, plusieurs utilisateurs ont constaté que leurs lunettes captaient de l'audio alors qu'ils n'avaient rien demandé à l'assistant. Le mot d'éveil sert normalement de verrou : tant qu'il n'est pas détecté, l'appareil est censé rester en veille et ne rien conserver. Meta aurait reconnu le problème et affirmerait qu'il a maintenant été corrigé.
Prudence toutefois sur ce que l'on sait réellement. À partir des informations disponibles, on ignore l'ampleur exacte du phénomène, le nombre d'appareils touchés, la durée des enregistrements et le sort réservé aux données captées. Ce que décrit Mon Carnet est un défaut de déclenchement reconnu par le fabricant, non une surveillance délibérée, et rien dans les éléments recueillis ne permet de conclure à une intention. Mais la distinction, pour la personne dont la voix a été captée à son insu, reste mince.
Pourquoi le mot d'éveil est un contrat de confiance
Le mot d'éveil est l'un des mécanismes les plus fragiles de l'interaction vocale. Pour fonctionner, l'appareil doit écouter en continu, mais localement et de façon très sommaire, uniquement pour repérer une séquence sonore précise. Tout le reste est censé s'évanouir aussitôt. Ce principe repose sur une promesse implicite : l'écoute permanente n'est pas un enregistrement.
Lorsque la détection se trompe, par un faux positif, la promesse se fissure. Les assistants vocaux domestiques connaissent ce problème depuis des années : un mot ressemblant, une phrase prononcée à la télévision, et l'appareil se croit appelé. Sur une enceinte posée dans un salon, l'effet reste circonscrit. Sur des lunettes que l'on porte dans la rue, au bureau, dans un restaurant ou chez le médecin, le périmètre devient beaucoup plus vaste.
Le problème particulier des lunettes
C'est la nature même de l'objet qui fait peser l'enjeu. Un téléphone se sort de la poche, et le geste est visible. Une enceinte intelligente reste à un endroit connu. Des lunettes, elles, se fondent dans le décor : elles ressemblent à une paire de lunettes ordinaire, et les personnes autour de leur porteur n'ont aucun moyen simple de savoir si l'appareil écoute, filme ou reste inerte.
Le porteur a accepté des conditions d'utilisation. Son interlocuteur, lui, n'a rien signé. Quand l'enregistrement est déclenché par erreur, c'est ce tiers qui paie le prix de la défaillance : sa voix, ses propos, parfois des confidences, sont captés sans qu'il en ait connaissance et, bien souvent, sans que le porteur lui-même le sache. Cette asymétrie est au cœur du débat sur les lunettes à caméra et microphone depuis leurs premières générations.
Une catégorie qui se multiplie
La controverse survient alors que le marché des lunettes connectées s'élargit et se diversifie. Le site MIXED Reality News rapporte que Xreal a mis en vente le 15 octobre ses lunettes 1 Pro+, au même prix de 599 dollars américains que le modèle One Pro qu'elles prolongent, avec une luminosité maximale portée de 700 à 1 200 nits. Le même média détaille aussi la fiche technique des Xreal Aura : 1 920 x 1 200 pixels par œil, une dalle micro-OLED de Sony, jusqu'à 120 Hz, 1 050 nits, le tout dans 95 grammes.
Ces appareils relèvent d'une famille un peu différente, celle des lunettes d'affichage, qui projettent une image devant les yeux plutôt que de proposer avant tout un assistant vocal. Mais la trajectoire est la même : des écrans toujours plus fins, des capteurs toujours plus nombreux, et une présence de plus en plus discrète au visage. Plus ces objets deviennent légers et banals, plus la question de ce qu'ils captent, et à quel moment, devient centrale.
L'interface vocale a besoin de transparence
La recherche en interaction humain-machine insiste depuis longtemps sur un point : l'utilisateur doit pouvoir comprendre ce que fait le système. Une étude publiée sur arXiv, qui porte sur les grands modèles de langage, montre ainsi qu'afficher les activations internes d'un modèle au fil d'une conversation à plusieurs tours aide les utilisateurs à mieux jauger la dérive du comportement de l'IA. Le contexte est différent, puisqu'il s'agit de dialogue avec un modèle de langage et non d'enregistrement audio, mais la leçon de fond est comparable : un système opaque erre sans qu'on s'en aperçoive.
Dans le cas des lunettes, la transparence passe par des gestes concrets : un voyant lumineux clair lorsque l'enregistrement est actif, un signal sonore, un historique consultable des captations, une suppression simple et vérifiable. L'incident rapporté par Mon Carnet rappelle que ces garde-fous ne sont pas des options de confort mais le cœur de la relation de confiance entre l'objet et son entourage.
Vers des assistants qui nous accompagnent partout
Les travaux de recherche en cours esquissent des assistants toujours plus intégrés à l'environnement. Une autre contribution arXiv propose un cadre de conception pour des agents incarnés en réalité augmentée, sensibles au contexte social, spatial et sémantique de l'utilisateur. Ce type d'agent suppose, par définition, une perception continue de ce qui entoure la personne. Plus l'assistant comprend le contexte, plus il doit en percevoir, et plus la frontière entre assistance et captation devient une affaire de règles et de conception plutôt que de simple bon vouloir.
Les interfaces plus intimes encore montrent la même tension. Des chercheurs explorent le décodage de la parole imaginée à partir de l'électroencéphalographie du cuir chevelu, avec l'idée d'un jour contrôler un appareil sans parler. Les travaux disponibles insistent cependant sur la difficulté : la précision au sein d'une même personne reste faible et le transfert entre individus demeure un défi. On en est très loin, mais le principe est révélateur. Chaque génération d'interface rapproche le capteur du corps, et chaque rapprochement relance la même question : qui contrôle ce qui est capté, et comment le vérifier ?
Ce que le correctif ne règle pas
Meta affirme avoir corrigé le défaut, ce qui est une bonne nouvelle pour les utilisateurs concernés. Mais un correctif logiciel traite un symptôme, pas la structure du problème. Tant que la sécurité d'un appareil porté au visage repose sur la fiabilité d'un algorithme de détection, des faux positifs resteront possibles. Et tant que les tiers n'ont aucun moyen de repérer qu'un enregistrement est en cours, ils dépendent entièrement du comportement de l'appareil d'un autre.
Plusieurs questions restent ouvertes, que l'information rapportée jusqu'ici ne permet pas de trancher : les enregistrements involontaires ont-ils été conservés, analysés ou utilisés pour entraîner des modèles ? Les utilisateurs touchés seront-ils informés individuellement ? Et quelles vérifications indépendantes permettront de confirmer que le correctif tient ? Ce sont ces réponses, davantage que l'annonce du correctif, qui détermineront si la confiance peut être rétablie.
L'essentiel à retenir
L'épisode des Ray-Ban Meta ne prouve pas que les lunettes intelligentes espionnent leurs porteurs. Il montre quelque chose de plus banal et de plus durable : une interface vocale, même bien conçue, peut se tromper, et lorsqu'elle se trompe sur un objet porté au visage, les conséquences touchent aussi des gens qui n'ont rien choisi. À mesure que ces appareils gagnent en finesse, en autonomie et en capteurs, la qualité d'une interface se mesurera autant à ce qu'elle sait faire qu'à ce qu'elle s'interdit de faire, et à la facilité avec laquelle chacun peut le constater.