VIT Intercore : un assistant IA privé que l’on commande par la voix et la main

Construire l’assistant de notre propre travail quotidien, auquel on s’adresse comme à une personne : par son nom et par la main. À la place des fenêtres et des menus, un seul objet à l’écran : une planète faite de 76 000 fragments de lumière. À son réveil, sa mémoire se déploie autour d’elle sous forme de graphe : personnes, entreprise, systèmes, compétences, musique. VIT Intercore est un produit interne, propre à VITON¹³.

Nous avons réalisé la scène du noyau, la commande à la main, la voix et une seconde scène, l’établi. La main sert de pointeur : une paume ouverte réveille le noyau, un pincement saisit et fait tourner la vue, deux pincements zooment et un pincement bref appuie sur un nœud. Le micro attend le mot « Vit » et l’assistant répond à voix haute.

L’établi a une vraie profondeur : pièces, fils, fer à souder et corbeille. Des lunettes connectées et une montre s’assemblent étape par étape, à la main ou à la voix, et six exercices entraînent la main : saisir et lancer, appuyer, trier, empiler, zoomer et tourner. Pour montrer le produit, nous avons filmé une bande-annonce de 1 minute 4 secondes ; sa musique est une partition originale écrite pour le film.

La caméra suit les deux mains. Le suivi des mains s’exécute en local avec MediaPipe ; aucune image de la caméra n’est conservée. La voix passe par un seul « cerveau » : il comprend la demande, appelle des outils (ouvrir une section, trouver un nœud, lancer la musique, assembler un kit) et prononce la réponse. Si de la musique joue et que le nom est entendu, le morceau s’efface pour que l’assistant écoute et réponde.

La planète, le graphe, la table et chaque pièce sont procéduraux : dessinés par le code avec three.js, sans fichier de modèle 3D. La bande-annonce est filmée image par image depuis l’interface réelle.

L’assistant est privé : nous montrons donc sa bande-annonce. Le film dure 1 minute 4 secondes et parcourt le réveil, la mémoire, les gestes, une recherche vocale, la musique, l’établi et l’entraînement de la main. La version que nous avons filmée le 7 octobre 2026 contient 387 nœuds de mémoire et 656 liens, et sa planète est faite de 76 000 fragments de lumière.

La galerie montre des écrans de la même interface : le réveil par la paume ouverte, le zoom à deux mains, la fiche d’un nœud après une recherche vocale, l’assemblage des lunettes et la montre terminée.

C’est notre propre produit interne, pas un travail pour un client. L’application est privée : il n’y a ni démo publique ni téléchargement, on ne peut donc pas l’essayer ; nous ne montrons que le film et les écrans.

Dans le film, les mains sont des trajectoires scénarisées envoyées au même pointeur que celui que pilote la caméra, et les commandes vocales apparaissent sous forme de texte à l’écran ; les répliques de l’assistant sont sa vraie voix de synthèse. Les données personnelles de la mémoire ont été remplacées par des données de démonstration avant le tournage. Le cas ne revendique ni clients, ni revenus, ni nombre d’utilisateurs, ni tests comparatifs, et le film ne mesure pas la précision avec laquelle l’assistant reconnaît des mains et une voix en direct.

Comment vérifier le portfolio d’une agence web →