Modèles de parole et de voix

Ce qu’il faut regarder

Les questions qui départagent les options, par ordre d’importance.

1. 01

   Transcription : taux d'erreur sur les mots, sur un jeu de test nommé

   Le taux d'erreur sur les mots (WER) est la part de mots qu'un modèle se trompe : plus il est bas, mieux c'est, mais il ne veut rien dire sans le nom du jeu de test. L'AA-WER v2 d'Artificial Analysis fait la moyenne sur environ 8 heures d'audio : conversations de type agent (50 %), discours au Parlement européen (25 %) et conférences de résultats financiers (25 %), avec des transcriptions de référence nettoyées. En octobre 2026, les leaders se situent autour de 2 %, tandis que Whisper large-v3-turbo obtient 4,6 %. Les WER annoncés par les fournisseurs sur leurs propres données ne sont pas comparables ; testez sur un audio qui ressemble au vôtre, avec vos accents, votre jargon et votre bruit.

2. 02

   Transcription : vitesse, streaming et fonctions

   La transcription par lots se juge au facteur de vitesse, en secondes d'audio par seconde de traitement ; Deepgram Nova-3 tourne à plus de 600 fois le temps réel, Scribe v2 à environ 63. Le sous-titrage en direct et les agents vocaux exigent un vrai modèle en streaming à faible latence, souvent un modèle et un prix distincts (Scribe v2 Realtime, Gemini 3.5 Transcribe Live, gpt-live-transcribe). Vérifiez ensuite la diarisation (qui a parlé), les horodatages par mot, le vocabulaire personnalisé et la détection de la langue, et notez que certaines fonctions ne peuvent pas être combinées dans une même requête.

3. 03

   Synthèse vocale : la qualité par vote à l'aveugle, à lire avec prudence

   La Speech Arena d'Artificial Analysis classe les voix par Elo d'après les préférences des auditeurs, chaque modèle utilisant ses propres voix intégrées ; un classement séparé utilise des voix contrôlées. Eleven v4 et v4 Turbo mènent autour de 1330, avec Cartesia Sonic 3.6 et Gemini 3.8 Flash TTS juste derrière. Il indique aussi le nombre de caractères par seconde et un score de robustesse de la prononciation pour les noms, codes, nombres et dates, qui compte plus que l'Elo pour les lignes de support et les agents. Les votes de l'arène favorisent les courts extraits agréables ; testez vous-même la narration longue.

4. 04

   Synthèse vocale : délai jusqu'au premier son pour les agents

   Pour les agents vocaux, ce qui compte, c'est la rapidité avec laquelle le premier son arrive après l'envoi du texte, pas le temps total de génération. Les fournisseurs citent leurs propres chiffres (ElevenLabs annonce environ 150 ms jusqu'à la première parole pour v4 Turbo), mesurés sur leurs propres réseaux ; testez depuis votre région via un WebSocket en streaming. Cherchez des versions figées du modèle, comme le propose Cartesia, pour qu'une voix ne change pas à votre insu.

5. 05

   Clonage de voix et garde-fous sur le consentement

   Cloner une voix à partir d'un court extrait est désormais courant : vérifiez donc ce que fait le fournisseur pour empêcher les abus : vérification du consentement, filigrane (SynthID de Google, le filigrane Perth de Resemble dans Chatterbox) et limites régionales (la réplication de voix de Gemini n'est pas disponible dans l'EEE ni au Royaume-Uni). Les modèles ouverts reposent généralement sur la conduite de l'utilisateur ; Chatterbox n'a aucun contrôle du consentement. Si vous clonez des personnes réelles, obtenez un consentement écrit, quel que soit l'outil.

6. 06

   Langues, et la qualité dans chacune

   Une longue liste de langues n'est pas synonyme de bonne qualité dans chacune. Parakeet v3 couvre 25 langues européennes et rien d'autre ; Whisper en accepte 99, mais sa fiche ne revendique de bons résultats que dans une dizaine environ. Consultez les résultats par langue dans la fiche du modèle ou testez vos langues cibles, en particulier pour l'alternance de langues comme le hinglish.

7. 07

   Unités de prix et poids ouverts

   La transcription est facturée à la minute ou à l'heure d'audio, la synthèse vocale au caractère ou au token audio, ce qui complique la comparaison ; Artificial Analysis ramène la transcription en dollars pour 1 000 minutes et la synthèse en dollars par million de caractères. Surveillez les hausses programmées (Gemini 3.8 Flash TTS double en janvier 2027) et les tarifs de streaming séparés. Les poids ouverts (Whisper MIT, Parakeet CC BY 4.0, Kokoro Apache 2.0, Chatterbox MIT) sont les moins chers en volume et gardent l'audio sur vos serveurs, au prix d'un peu de précision ou de naturel.

19 outils comparés

Classés selon notre note. Ouvrez un avis pour voir les sources, les prix et le verdict complet.

Outils comparés : Modèles de parole et de voix

Outil	Note	Notre verdict	Idéal pour	Prix
Eleven v4 and v4 Turbomodèle	4.7/5	Rien sur les classements publics ne sonne mieux, mais Gemini 3.8 Flash TTS de Google arrive à moins de 60 points Elo pour environ un cinquième du prix de v4.	Les producteurs de livres audio, de jeux et de doublage qui ont besoin des voix les plus expressives, et les équipes d'agents vocaux qui veulent une qualité de premier rang au tarif plus bas de Turbo.	API : v4 à 0,08 $ et v4 Turbo à 0,04 $ les 1 000 caractères. Les abonnements, de Starter à 6 $ par mois à Business à 990 $ par mois, incluent des quotas de caractères.
Gemini 3.8 Flash TTSmodèle	4.5/5	Cinquième aux votes à l'aveugle pour moins de la moitié du prix d'Eleven v4 Turbo, Gemini 3.8 Flash TTS est une bonne affaire qui expire le 1er janvier.	Les développeurs qui produisent de la narration longue ou du doublage multilingue, veulent une qualité proche du sommet et peuvent absorber la hausse de prix de janvier.	Flash TTS : 0,50 $ par million de tokens de texte en entrée, 9 $ par million de tokens audio en sortie (environ 0,81 $ par heure d'audio) jusqu'au 31 décembre 2026, puis le double à partir du 1er janvier 2027. Flash-Lite : 6 $ par million de tokens audio en sortie. Batch à moitié prix ; offre gratuite dans AI Studio.
Cartesia Sonic 3.6modèle	4.4/5	Sonic 3.6 a comblé l'essentiel de l'écart avec ElevenLabs en une seule version et coûte moins cher au caractère qu'Eleven v4, mais il s'entraîne sur le contenu des clients sauf opposition.	Les équipes qui construisent des agents vocaux de production et veulent des voix stables et versionnées à un prix modéré.	Offre gratuite de 20K crédits par mois (sans licence commerciale) ; Pro à 5 $ (100K), Startup à 49 $ (1,25M), Scale à 299 $ (8M) ; dépassement de 38 $ à 65 $ par million de crédits. Un crédit correspond à un caractère, soit environ 750 à 800 par minute d'audio.
ElevenLabs Scribe v2modèle	4.4/5	Scribe v2 transcrit avec précision et fait pour vous le caviardage et le travail sur les intervenants, mais Microsoft vend désormais une meilleure précision pour moins de la moitié du prix.	Les produits de réunions, de médias et cliniques qui ont besoin d'étiquettes d'intervenants et de caviardage en plus d'une transcription précise.	API : Scribe v2 et v2 Medical à 0,22 $ par heure d'audio ; Scribe v2 Realtime à 0,39 $ de l'heure ; le keyterm prompting ajoute 0,05 $ de l'heure. Les offres à partir de 6 $ par mois incluent des heures.
AssemblyAIoutil	4.4/5	AssemblyAI est bon marché, précis et facile à contractualiser, mais lisez d'abord les conditions sur les données : les comptes gratuits servent à entraîner ses modèles et ne peuvent pas refuser.	Les développeurs qui ajoutent de la transcription ou des sous-titres en direct à une application et veulent des prix publiés bas, un BAA gratuit et une option européenne.	Audio enregistré : Universal-3.5 Pro à 0,21 $/h, Universal-2 à 0,15 $/h. Streaming : Universal-3.6 Pro Realtime à 0,45 $/h, Universal-Streaming à 0,15 $/h. Voice Agent API à 4,50 $/h. Options à partir de 0,01 $/h ; Medical Mode à +0,15 $/h. 50 $ de crédit gratuit.
Retell AIoutil	4.4/5	Retell est la plateforme d'agents téléphoniques à la facture la plus claire et aux démarches de conformité les plus légères, à condition d'accepter de construire l'agent vous-même.	Les développeurs et équipes des opérations qui construisent leurs propres agents téléphoniques entrants ou sortants et veulent des coûts à la minute prévisibles et un BAA gratuit.	Paiement à l'usage de 0,07 $ à 0,31 $ par minute vocale (0,055 $ d'infrastructure vocale plus la voix et le LLM) ; 10 $ de crédit gratuit ; 20 appels simultanés gratuits, puis 8 $ par appel et par mois ; numéros de téléphone à 2 $ par mois. Enterprise sur devis.
Vapioutil	4.3/5	Vapi donne aux développeurs le plus de liberté pour combiner les fournisseurs vocaux, et le fait payer dès que votre agent touche à quoi que ce soit de sensible.	Les développeurs qui intègrent des agents vocaux à leur propre produit et veulent choisir et changer chaque fournisseur de reconnaissance, de modèle et de voix.	0,05 $ la minute d'hébergement plus les coûts des fournisseurs au prix coûtant ; 5 $ de crédit gratuit. Core à 29 $ par mois (10 appels simultanés, conservation de 30 jours) ; Pro avec 10 % de frais d'hébergement et un minimum de 999 $ par mois ; Premier sur devis. Module HIPAA à 2 000 $ par mois ; concurrence supplémentaire à 10 $ par ligne et par mois.
Gemini 3.5 Transcribemodèle	4.2/5	Assez précis et bon marché pour la plupart des transcriptions, mais plus l'achat évident sur aucun des deux critères.	Les équipes déjà sur la Gemini API qui veulent une transcription de fichiers et en streaming auprès d'un seul fournisseur à environ un demi-centime la minute.	Transcribe à environ 0,005 $ la minute (2 $ en entrée / 12 $ en sortie par million de tokens) ; Transcribe Live à environ 0,009 $ la minute (3,50 $ / 21 $). Niveau gratuit dans AI Studio et l'API.
Parakeet TDT 0.6B v3modèle	4.1/5	Parakeet v3 est le record de vitesse en transcription, avec une précision de classe Whisper et une frontière stricte autour de l'Europe.	Les développeurs qui transcrivent de gros volumes d'audio en langues européennes et privilégient la vitesse et le bas coût.	Gratuit sous CC BY 4.0. La version hébergée de Together AI coûte 0,0015 $ la minute (1,50 $ les 1 000 minutes).
pyannote speaker-diarization-community-1modèle	4.1/5	Toujours le choix ouvert par défaut pour distinguer les locuteurs, et un net progrès par rapport à la 3.1, mais le modèle payant de ses propres créateurs fait environ un tiers d'erreurs en moins sur l'audio difficile.	Les ingénieurs qui construisent une transcription auto-hébergée de réunions, d'appels ou de podcasts et ont besoin d'étiquettes de locuteurs sous une licence permissive.	Gratuit sous CC BY 4.0. Hébergé chez pyannoteAI à 0,035 € par heure d'audio ; son modèle payant Precision-3 coûte 0,112 € par heure (Developer, 19 €/mois) ou 0,096 € (Starter, 99 €/mois).
Deepgram Nova-3modèle	4.0/5	Nova-3 est assez rapide et bon marché pour l'audio d'appels en direct, mais sur un test neutre il fait plus de deux fois plus d'erreurs que les meilleurs en précision.	Les équipes de centres de contact et de sous-titrage en direct qui ont besoin d'une transcription rapide et à forte concurrence d'audio téléphonique, y compris sur leurs propres serveurs.	Enregistré : 0,0043 $ la minute (monolingue) ou 0,0052 $ la minute (multilingue) en paiement à l'usage ; streaming à 0,0048 $ la minute en promotion, 0,0077 $ au tarif normal. L'offre Growth, à partir de 4 000 $ par an, est moins chère. 200 $ de crédit gratuit.
OmniVoicemodèle	4.0/5	OmniVoice est le modèle TTS ouvert vers lequel se tourner quand la langue n'est sur la liste de personne d'autre, à condition que votre avocat lise la licence du tokenizer.	Les développeurs qui ont besoin d'une parole ouverte et auto-hébergée dans des langues que les leaders commerciaux et ouverts ne couvrent pas.	Poids gratuits ; code sous Apache 2.0, tokenizer audio sous la Boson Higgs Audio 2 Community License (licence étendue nécessaire au-dessus de 100 000 utilisateurs actifs annuels).
Maya 2 Nativemodèle	4.0/5	Pour les agents vocaux en langues indiennes, Maya 2 Native est le modèle ouvert par lequel commencer : proche des leaders payants en hindi et peu coûteux à grande échelle, avec des scores automatiques en guise de preuve partout ailleurs.	Les développeurs qui construisent des agents vocaux, des serveurs vocaux interactifs ou de la narration en langues indiennes et veulent auto-héberger sous une licence permissive.	Gratuit sous Apache 2.0 (codec Mimi sous CC BY 4.0) ; auto-hébergé sur vos propres GPU. Aucun prix hébergé publié par l'éditeur.
KKokoro-82Mmodèle	3.9/5	Rien d'aussi petit ne sonne aussi bien, mais il n'a eu aucune mise à jour depuis août 2025, alors considérez-le comme un logiciel terminé plutôt qu'un projet qui va s'améliorer.	Les développeurs qui ont besoin d'une parole bon marché sous licence permissive pour la narration, l'accessibilité ou les prototypes.	Gratuit sous Apache 2.0. Hébergé à 0,65 $ par million de caractères sur Replicate (via Artificial Analysis), le moins cher de son classement, et 0,99 $ sur DeepInfra.
GPT Transcribemodèle	3.9/5	Une mise à niveau sensée pour les boutiques OpenAI, même si la dépréciation sur laquelle elle s'appuie retire les étiquettes de locuteur et les timestamps que ce modèle ne redonne pas.	Les équipes sur l'API OpenAI qui doivent quitter Whisper ou GPT-4o Transcribe avant février 2027 et n'ont pas besoin d'étiquettes de locuteur ni de timestamps.	0,0045 $ par minute d'audio (4,50 $ les 1 000 minutes) ; aucun support Batch. Le gpt-live-transcribe en streaming est à 0,017 $ la minute.
MOSS-Transcribe-Diarize 0.9Bmodèle	3.9/5	MOSS-Transcribe-Diarize remplace un pipeline de réunion à deux modèles par un seul petit, et ses victoires en benchmark sont surtout en mandarin.	Les équipes qui transcrivent de longs enregistrements multi-locuteurs sur leurs propres GPU, surtout en chinois, qui veulent des étiquettes de locuteur sans un modèle de diarisation distinct.	Gratuit sous Apache 2.0. Le modèle Pro plus grand est proposé via le playground en ligne de MOSI ; les tarifs d'API ne sont pas publiés.
Breeze TTS 2modèle	3.8/5	Breeze TTS 2 sonne comme un modèle vocal de pointe, mais sa licence en fait une démo à faire tourner chez soi, pas un remplaçant d'ElevenLabs que l'on peut livrer.	Les chercheurs, amateurs et équipes qui évaluent la qualité des voix ouvertes et qui resteront non commerciaux ou achèteront l'offre hébergée de BreezeBlue pour la production.	Poids gratuits pour la recherche et l'usage non commercial uniquement. Offres hébergées : Free (400 crédits par jour, 10 caractères chacun), Starter à 9 $ par mois, Creator à 19 $ par mois, Pro à 99 $ par mois, Scale à 299 $ par mois, Business à 999 $ par mois ; environ 30 $ par million de caractères, ou à peu près 25 $ en facturation annuelle. Enterprise sur devis.
Whisper large-v3-turbomodèle	3.7/5	Whisper turbo est désormais la base bon marché et sans restriction à laquelle on compare les modèles de parole plus récents, pas le modèle qui gagne.	Les équipes qui ont besoin d'une transcription bon marché et sous licence permissive qu'elles peuvent auto-héberger ou acheter pour des centimes l'heure, et peuvent vivre avec une précision de second rang.	Gratuit sous la licence MIT. Les versions hébergées sont bon marché : Artificial Analysis indique Groq à environ 0,67 $ les 1 000 minutes.
Chatterboxmodèle	3.7/5	Chatterbox est le cloneur de voix ouvert qu'une équipe conformité peut valider, grâce à son filigrane, mais pas celui qu'un auditeur choisirait.	Les équipes qui ont besoin d'un clonage de voix ouvert utilisable commercialement, avec marquage de provenance, et acceptent une qualité vocale de milieu de tableau.	Gratuit sous licence MIT. Artificial Analysis indique Chatterbox hébergé à 25 $ et Chatterbox HD de Resemble à 40 $ par million de caractères.

Côte à côte

Les caractéristiques qui comptent pour cette étape. Vérifiées le 19 oct. 2026 ; confirmez-les sur le site du fournisseur avant de vous engager.

Face-à-face et classements

• Meilleurs modèles de synthèse vocale
• Meilleurs modèles de transcription vocale

Où s’insère cette étape

• Production vidéo : nous commencerions par Eleven v4 and v4 Turbo.
• Agent vocal : nous commencerions par Parakeet TDT 0.6B v3, Cartesia Sonic 3.6.

Sources de ce guide

• Artificial Analysis: speech-to-text leaderboard
• Artificial Analysis: text-to-speech leaderboard
• Whisper large-v3-turbo model card