Dossier de décision · relais Buzz · 28 juillet 2026

Ce que coûte vraiment le transport de la voix

Cinq contreparties, établies indépendamment de ce que Buzz en dit. Chaque angle finit sur une question — c'est asi0 qui tranche, pas le relais et pas moi.

phone.m4a · atome loci · 35 octets, lus dans le fichier avec un parseur écrit pour l'occasion
00000023 6c6f6369 00000000 15c7 00 00 fffda5d7 0030db4a 00230000 6561727468 0000
longitude −2,3522 latitude 48,8566 altitude 35,0 m soit Paris, Île de la Cité

Ce sont de vrais octets, dans un vrai fichier audio, sur ce serveur. Aucun chiffrement, aucun obscurcissement : la position est écrite en clair à côté du son. C'est la raison invoquée par la PR #2006 pour refuser l'audio — et c'est le seul des cinq angles où j'ai pu mesurer plutôt que lire.

Les cinq angles, et ce que valent leurs risques

Le niveau affiché est ma lecture des sources, pas un fait mesuré. Il répond à une seule question : est-ce que la littérature soutient ce risque pour un relais fermé, en Europe, un humain et ses agents — pas pour une plateforme grand public.

01 — Droit

La voix comme donnée biométrique

Un vocal ne devient pas une donnée sensible parce qu'une voix est reconnaissable : il le devient quand on la traite pour identifier quelqu'un — et encore faut-il que le RGPD s'applique au relais.

Ce que disent les sources

FaitSourceCitation verbatim
La définition exige trois éléments cumulatifs : traitement technique spécifique, caractéristiques du corps, identification unique permise ou confirmée.RGPD art. 4(14) — 4 mai 2016eur-lex.europa.eudonnées à caractère personnel résultant d'un traitement technique spécifique, relatives aux caractéristiques physiques, physiologiques ou comportementales […] qui permettent ou confirment son identification unique
L'article 9 ne vise pas toute donnée vocale, mais le traitement « aux fins d'identifier ».RGPD art. 9(1) — 4 mai 2016eur-lex.europa.eule traitement […] des données biométriques aux fins d'identifier une personne physique de manière unique […] sont interdits
L'analogie la plus directe : une photo n'est pas sensible en soi, elle le devient par le traitement.RGPD considérant 51eur-lex.europa.euLe traitement des photographies ne devrait pas systématiquement être considéré comme constituant un traitement de catégories particulières […] que lorsqu'elles sont traitées selon un mode technique spécifique permettant l'identification ou l'authentification unique
L'EDPB applique le test à la voix : le basculement, c'est l'enrôlement d'une empreinte vocale puis sa comparaison.EDPB, Guidelines 02/2021 on Virtual Voice Assistants, §§125-134 — 7 juillet 2021edpb.europa.euDuring the enrolment phase of voice recognition, the VVA processes a user's voice to create a voice model (or voiceprint)
La CNIL trace la même frontière fonctionnelle, et range l'historique audio à part.CNIL — 5 décembre 2017cnil.frpréenregistrer des échantillons de sa voix de manière à le reconnaître par la suite […] On parle alors de biométrie vocale.
L'exemption domestique existe — mais la CJUE l'interprète strictement.CJUE, Ryneš C-212/13 — 11 décembre 2014publications.europa.euthe exception […] must be narrowly construed
Et le RGPD s'applique quand même à qui fournit les moyens de traiter à d'autres.RGPD considérant 18eur-lex.europa.eule présent règlement s'applique aux responsables du traitement ou aux sous-traitants qui fournissent les moyens de traiter
Solide

Le point de bascule est fonctionnel, pas acoustique. Un relais qui reçoit, chiffre, transmet et conserve un fichier audio — sans extraire de gabarit vocal, sans comparer à une base, sans décider qui parle — ne fait pas, par cette seule fonction, un traitement de l'article 9. Il bascule dès que quelque chose, dans Buzz ou dans le Ghost, construit un modèle de locuteur et le compare pour reconnaître qui parle.

Surestimé

« La voix identifie, donc la voix est sensible » ne tient pas. Cette lecture s'appuie sur une opinion du G29 de 2012, antérieure au RGPD, qui cite l'enregistrement vocal comme donnée biométrique brute. Le texte de 2016 et les lignes directrices de 2021 ont resserré le critère autour de la finalité. L'AI Act, lui, ne s'active pas parce qu'on transporte des octets : il vise la reconnaissance d'émotions et la catégorisation biométrique, pas l'hébergement.

La question que ça pose à asi0
  1. Existe-t-il quelque part — relais, Ghost, mémoire, authentification, service tiers — une fonction qui crée, conserve ou compare un modèle vocal pour reconnaître le locuteur ?
  2. Qui peut réellement utiliser le relais : toi et tes agents, ou des tiers à qui tu fournis un moyen de traitement ?
  3. Le relais est-il fermé et sans finalité professionnelle, ou destiné à dépasser l'usage domestique — même avec seulement quelques utilisateurs ?
02 — Menace

Empreintes vocales et clonage

Quelques secondes suffisent à amorcer un clone ; ce que le relais ajoute, ce n'est pas la capacité de cloner, c'est un corpus privé, propre et rattaché à une identité.

Combien de secondes — la réponse honnête

SystèmeDurée annoncéeCe que la source dit exactement
VALL-E (Microsoft Research)3 ssynthesize high-quality personalized speech with only a 3-second enrolled recording of an unseen speaker — arXiv:2301.02111, 5 janvier 2023
XTTS (Coqui)3 sclone voices in different languages by using just a quick 3-second audio clip — docs.coqui.ai, vérifié 28 juillet 2026
Chatterbox (Resemble AI)5 szero-shot voice cloning from 5 seconds of audio — resemble.ai
Cartesia≤ 10 sa clip that lasts up to 10 seconds — docs.cartesia.ai
PlayHT2 s à 1 hduration ranging from 2 seconds to 1 hour — contrainte d'upload, pas une mesure de qualité
ElevenLabs30 s à 2-3 minWe've seen users use samples of only 30 seconds and get excellent results, while we've also seen some users use 10 minutes of audio and have worse results. — mis à jour 8 mai 2024

« Trois secondes suffisent » est vrai pour la faisabilité technique d'un clone zero-shot. Ce n'est pas établi pour « tromper un humain ». Les quatre familles de chiffres ne mesurent pas la même chose : un papier mesure une similarité de locuteur, une doc produit annonce une durée acceptée, une fraude réelle mesure une décision humaine sous pression, un détecteur ASVspoof mesure un taux d'erreur sur un protocole donné.

Incidents réels — ce qu'ils démontrent, et ce qu'ils ne démontrent pas

IncidentMontantCe que la source établit
Fraude au dirigeant, énergéticien britannique, 2019243 000 $ (repris ailleurs comme 220 000 €)Forbes, 3 septembre 2019 : A Voice Deepfake Was Used To Scam A CEO Out Of $243,000. Le seul cas clairement audio.
Multinationale, Hong Kong, janvier 2024200 M HK$Police de Hong Kong via HKFP/AFP, 5 février 2024. C'est une visioconférence deepfake, avec plusieurs faux participants — le présenter comme une attaque vocale surestime ce qu'il prouve.
Test VICE contre Lloyds Voice ID, 2023—Contournement réussi, mais avec environ cinq minutes d'enregistrement et un texte long pour caler les cadences — pas trois secondes.
ASVspoof 2021, meilleures soumissions—EER de 1,32 % (accès logique), 24,25 % (rejeu physique), 15,64 % (deepfake). Sur le track deepfake, l'EER descend à 0,10 % en phase de progression puis remonte à 15,6 % en évaluation finale — la leçon est qu'un chiffre isolé ne veut rien dire.
Ce qui dégonfle l'angle

Si trois secondes suffisent, la voix d'asi0 est déjà exfiltrable par n'importe quel appel, visioconférence ou vidéo publique. Le relais ne crée pas la capacité de cloner. Le risque de base est déjà largement alimenté ailleurs, et ElevenLabs documente qu'au-delà de deux à trois minutes le gain est faible, parfois négatif.

Ce qui reste, et qui est réel

Le relais ajoute une marge par quatre mécanismes, aucun lié au volume brut : la centralisation — au lieu de chercher une phrase dans des sources dispersées, l'attaquant trouve tout au même endroit, associé à un compte et à des dates ; la qualité — un vocal près du micro, sans bruit de salle ni codec téléphonique, vaut mieux qu'un extrait public ; la couverture — noms propres, langues, émotions, formulations ; et surtout le contexte — qui a autorité, quand asi0 est absent, quelle phrase semblera plausible. Le clone n'est alors qu'un composant d'une attaque de contexte.

Formulation juste : le relais réduit le coût d'une attaque ciblée. Il ne change pas sa faisabilité.

La question que ça pose à asi0
  1. Les vocaux sont-ils gardés le temps du transport, ou constituent-ils un historique durable rattaché aux comptes et aux conversations ?
  2. Qu'apprendrait, en plus, quelqu'un qui volerait ce corpus, par rapport à ce qu'il obtient déjà de tes vidéos et appels publics : calendrier, noms, autorité, formulations d'authentification ?
  3. Pour toute action coûteuse — virement, suppression, publication, accès — le Ghost exige-t-il une confirmation hors bande, qui ne repose jamais sur la seule ressemblance d'une voix ?
03 — Technique · mesuré sur ce serveur

Métadonnées dans les conteneurs

Un fichier audio de téléphone n'est pas que du son : le conteneur réserve des emplacements normalisés pour le GPS, le modèle d'appareil et l'horodatage, et ils voyagent en clair.

Les emplacements existent et sont normalisés

FaitSourceCitation verbatim
QuickTime/MP4 a une clé de localisation normalisée fondée sur ISO 6709.Apple Developer Documentation, QuickTime File Format → Location metadatadeveloper.apple.comUse the defined keys to store the location coordinates as metadata […] See the com.apple.quicktime.location.ISO6709 entry
Android expose une API explicite pour écrire le GPS dans le fichier.Android Developers, MediaRecorder, page mise à jour 26 mars 2026developer.android.comsetLocation (float latitude, float longitude) — Set and store the geodata (latitude and longitude) in the output file.

Nuance à ne pas escamoter : ces sources prouvent que l'emplacement existe et que les systèmes offrent l'API pour le remplir. Elles ne prouvent pas que toute application d'enregistrement le remplit. La formulation juste est « le canal existe, il est normalisé, il est trivial à remplir » — pas « tout vocal contient votre position ».

Ce que j'ai mesuré

J'ai encodé une vraie phrase française de 14,2 s dans les trois conteneurs concernés, puis lu les octets. Le GPS est en clair dans les trois. En ogg/opus — le format des notes vocales WhatsApp — il est même lisible à l'œil nu :

OpusTags....Lavf58.76.100....encoder=Lavc58.134.100 libopus....LOCATION=48.8566,2.3522....DESCRIPTION=enregistre a Paris....DATE=2026-07-28

Mais le retrait est une seule commande, sans perte

ffmpeg -i entree.m4a -map_metadata -1 -map_metadata:s:a:0 -1 -c copy -fflags +bitexact sortie.m4a
FichierMétadonnées restantesAudio bit-à-bit identiqueDurée
phone.m4aidentifiants de format seulementoui68 ms
phone.opusaucuneoui59 ms
phone.mp3aucuneoui89 ms

Vérification indépendante par recherche de motifs dans les octets de sortie — loci, 48.8566, LOCATION, geo:, iPhone, la date : aucune occurrence. Les horodatages internes du conteneur MP4, qu'on pourrait croire résiduels, sont eux aussi remis à zéro.

Surestimé — et c'est le résultat le plus utile de cet angle

Le motif du refus, « jusqu'à ce qu'une politique de métadonnées de localisation par format existe », suppose un travail de politique par format. La mesure dit le contraire : une seule invocation, identique pour les trois formats, retire tout, sans réencodage, en moins de 100 ms. Il n'y a pas trois politiques à écrire, il y a une étape de normalisation à l'entrée. La difficulté annoncée ne correspond pas à la difficulté mesurée.

Ce que le strip ne règle pas

Stripper le conteneur ne touche pas au signal. Restent dans le son : la voix elle-même (angles 01 et 02), le bruit de fond qui peut trahir un lieu, l'acoustique de la pièce, les voix de tiers captées sans leur consentement. Les métadonnées sont le problème le plus visible et le plus facile. Ce n'est pas le plus important.

La question que ça pose à asi0
  1. Veux-tu que le relais normalise à l'entrée, ou qu'il refuse ce qu'il ne sait pas normaliser ? Stripper réécrit le fichier de l'expéditeur : l'empreinte de l'original est perdue, et avec elle la possibilité d'authentifier la pièce plus tard.
  2. Acceptes-tu une liste blanche de conteneurs plutôt qu'un support universel ? N'accepter qu'ogg/opus réduirait la surface à un seul format trivial à inspecter, au prix d'une conversion côté client.
  3. Qui strippe : le client ou le relais ? Si c'est le client, le relais n'a jamais la donnée sensible mais doit faire confiance. Si c'est le relais, il la voit passer au moins une fois — et devient ce jour-là un traitement de données de localisation.
04 — Obligation

Modérer ce qu'on ne peut pas lire

Un relais qui ne peut pas écouter ne peut pas modérer d'avance — mais la loi ne lui demande pas de le faire, et pour un relais strictement privé le DSA est probablement hors champ.

Ce que font les autres

Signal documente l'impossibilité de lire comme un choix architectural assumé, y compris pour le spam. WhatsApp transcrit sur l'appareil, pas sur ses serveurs. Matrix prévoit que les homeservers ne lisent pas les fichiers des salles chiffrées. Tous compensent autrement : signalement par le destinataire, blocage, limitation comportementale, preuve cryptographique d'un message précis, modération locale par communauté. La modération sans lecture existe réellement — elle déplace la décision vers le destinataire.

Le DSA — la question n'est pas « que dois-je faire », c'est « suis-je dans le champ »

L'article 8 est le point le plus important de tout cet angle : aucune obligation générale de surveillance ni de recherche active des faits. L'article 6 protège l'hébergeur qui agit rapidement après avoir eu connaissance ; l'article 16 précise comment une notification crée cette connaissance. Rien n'impose une transcription générale de l'audio.

Trois raccourcis à éviter

« Le serveur est en Europe, donc le DSA s'applique » — trop rapide. L'article 2 exige un service intermédiaire proposé à des destinataires dans l'Union. L'emplacement de la machine ne suffit pas.

« Microentreprise, donc aucune obligation » — faux. L'article 19 ne vise que la section « plateformes en ligne » et l'article 15(2) ne dispense que des rapports de transparence.

« Ne pas pouvoir lire oblige à refuser » — faux juridiquement. L'article 8 interdit précisément de transformer l'hébergeur en surveillant général.

Le vrai risque, et il est opérationnel

Il n'est pas de ne pas pouvoir lire. Il est d'être incapable de traiter une notification précise ou une injonction — parce qu'aucun mécanisme de retrait, de journalisation ou d'identification du fichier n'existe. Réponse la plus honnête sur le champ du DSA : probablement non si le relais est une infrastructure personnelle fermée ; oui dès qu'il devient un service ouvert ou professionnel.

La question que ça pose à asi0
  1. Le relais est-il réellement fermé à toi et à tes agents, ou déjà proposé comme service à d'autres destinataires, même gratuitement ?
  2. Si un fichier précis est signalé, le relais peut-il l'identifier, le rendre inaccessible et garder la trace de l'action — sans transcrire tout le corpus ?
  3. Veux-tu faire confiance au destinataire (modèle Signal/WhatsApp) ou offrir une modération locale des communautés (modèle Matrix) ? Ce choix change la confidentialité, pas seulement le format.
05 — Économie

Coût et conservation

Le poids et le prix de l'audio sont négligeables à cette échelle ; le vrai choix est la durée de conservation, et la transcription si tu veux pouvoir chercher dedans.

Le poids réel, calculé

Codec et débit1 minute1 heure1 an à 10 min/jour
Opus bande étroite, 8 kbit/s0,060 Mo3,6 Mo219 Mo
Opus bande large, 20 kbit/s0,150 Mo9,0 Mo548 Mo
HE-AAC v1, 64 kbit/s0,480 Mo28,8 Mo1,75 Go
AMR-WB, 23,85 kbit/s0,179 Mo10,7 Mo653 Mo

Plages sourcées : Opus 8-12 kbit/s for NB speech, 16-20 kbit/s for WB speech, 28-40 kbit/s for FB speech — RFC 6716, septembre 2012. HE-AAC — Apple TN2236, 21 avril 2009. AMR-WB nine wide band speech coding modes […] ranging from 6.6 to 23.85 kbps — RFC 4867.

Au prix du stockage objet européen — Scaleway 0,008 €/Go/mois en zone unique, Hetzner 4,99 €/mois avec 1 To inclus, OVHcloud 14 €/To/mois en 3-AZ sans frais de sortie — une année entière de vocaux quotidiens coûte moins qu'un café. L'abonnement minimum coûte plus cher que la donnée elle-même.

Ce que les autres conservent

Signal supprime les pièces jointes après 45 jours (blog du 27 janvier 2025). WhatsApp annonce 30 jours pour les médias non délivrés dans l'EEE (effectif 2 juillet 2026). Telegram conserve indéfiniment dans le cloud. Côté droit, l'article 5(1)(e) du RGPD impose la limitation de la conservation, et la CNIL chiffre des durées sectorielles de 6 mois, 1 an et 5 ans selon la finalité.

Angle largement creux — et c'est un résultat

Le stockage n'est pas un argument contre l'audio. À cette échelle il est négligeable, et le dire clairement évite de laisser un faux obstacle dans la discussion.

Sauf sur deux points

La transcription, si tu veux rendre l'audio cherchable, peut coûter plus que le stockage — et surtout elle envoie la voix à un tiers, ce qui rouvre les angles 01 et 02.

La purge n'est pas ce qu'on croit. Caveat relevé par la recherche : purger les events d'un serveur Matrix Synapse ne prouve pas que les fichiers médias et les sauvegardes ont été purgés. Une règle de rétention qui ne couvre pas les sauvegardes n'est pas une règle de rétention.

La question que ça pose à asi0
  1. Conservation indéfinie, ou règle de purge explicite qui s'applique aussi aux sauvegardes et aux copies temporaires ?
  2. Le relais doit-il seulement transporter, ou veux-tu une transcription cherchable — en acceptant qu'un fournisseur externe reçoive la voix ?
  3. Si une sauvegarde hors machine est nécessaire, acceptes-tu un abonnement qui coûtera plus cher que l'audio, ou faut-il rester sur les disques déjà présents et chiffrés ?
Fin des faits

Ma recommandation

⚠ Ceci est un avis, pas un fait. Tout ce qui précède est sourcé et vérifiable ; ce qui suit est mon jugement, et tu peux le rejeter sans rien perdre du dossier.

Je recommande d'accepter l'audio, sous quatre conditions, et je pense que le refus actuel protège du mauvais risque.

  1. Normaliser à l'entrée, côté client d'abord. Une seule commande retire tout, sans perte, en moins de 100 ms — je l'ai mesurée sur les trois formats. Faire stripper le client signifie que le relais ne voit jamais la position ; le relais re-strippe ensuite par sécurité, en admettant qu'il réécrit le fichier. Le motif invoqué par la PR #2006 est réel dans son constat et disproportionné dans sa conclusion : ce n'est pas une politique par format qu'il fallait attendre, c'est une étape de pipeline.
  2. Ne jamais construire d'empreinte vocale. C'est la seule ligne qui fait basculer le relais dans l'article 9 du RGPD, et c'est une ligne qu'on ne franchit pas par accident : elle se franchit en écrivant du code d'identification du locuteur. Tant qu'aucun composant ne compare une voix à un modèle pour décider qui parle, la question biométrique reste théorique.
  3. Découpler la voix de l'autorité. C'est le point que je tiens pour le plus important de tout le dossier, et il ne concerne pas le stockage. Le clonage est déjà faisable avec ce qui existe publiquement de ta voix. Ce qui doit changer n'est donc pas ce que le relais garde, mais ce que le Ghost accepte de faire sur la foi d'une voix : aucune action coûteuse ne doit dépendre d'une ressemblance vocale, jamais, quelle que soit la décision sur l'audio.
  4. Une purge par défaut, qui couvre les sauvegardes. Le coût ne justifie pas de purger ; la réduction de l'exposition, si. Une rétention courte transforme un corpus permanent en fenêtre glissante, et c'est exactement le mécanisme par lequel le relais cessait d'ajouter une marge de risque. Une règle qui ne couvre pas les sauvegardes n'en est pas une.

Ce que je ne recommande pas : attendre d'avoir résolu la question de la modération. Elle est, pour ce relais, probablement hors champ du DSA, et l'article 8 interdit précisément d'exiger la surveillance générale qui justifierait le blocage. Ne pas retenir non plus l'argument du coût : il est négligeable et le maintenir dans la discussion brouille les vrais arbitrages.

Ce que j'ignore et qui pourrait tout changer : si le relais accueille — ou accueillera — des tiers. Trois des cinq angles basculent sur cette seule question, et c'est la seule à laquelle je ne peux pas répondre à ta place.