STT / Reconnaissance vocale
Comparatif des solutions de reconnaissance vocale pour les pipelines conversationnels (2025–2026). Benchmarks, enjeux stratégiques et questions de décision.
Cadrage stratégique : lire le STT en situation
Ce que les chiffres disent
Le WER indique la précision sur un corpus donné ; il ne prédit pas les noms propres, accents, bruits ou tours de parole de votre terrain. Le TTFA indique le démarrage du flux, pas à lui seul la réactivité de la conversation.
À croiser dans le tableau
Pour un échange direct, lisez WER et TTFA avec le streaming, la diarisation et les langues. L’endpointing, la détection de tour et la qualité sur vos enregistrements comptent souvent davantage que le meilleur score isolé.
Rester attentif à
La résidence et la rétention des données, les limites de streams, la rédaction PII et le coût complet. Le prix/h compare le premier palier public ; il ne remplace ni un test de charge ni un plan de repli cloud ou auto-hébergé.
Méthode de lecture : filtrez d’abord les exigences non négociables, comparez ensuite précision et temps réel sur le même cas, puis validez avec des audios, langues et conditions de bruit représentatifs.
Comment sont mesurées les métriques du tableau ?ouvrir
WER : taux d’erreurs sur un corpus précis. Une valeur n’est comparable qu’à corpus, langue, variante de modèle et protocole identiques ; le WER n’est pas une prédiction directe de vos audios.
TTFA : délai jusqu’au premier fragment de transcription pour un flux donné. Une valeur « — » signifie qu’aucune mesure P50/P95 traçable n’est publiée, et non une valeur nulle.
RTFx : débit de traitement hors ligne ou batch : 100× traite une heure d’audio en environ 36 secondes. Ce n’est pas une latence conversationnelle ni une promesse de temps réel mono-stream.
Chunks streaming : réglages d’intégration qui déterminent la portion d’audio et le contexte envoyés au modèle. Ils ne doivent pas être lus comme une TTFA. Exemple : les 2 s de Parakeet sont un chunk NeMo, pas une mesure de latence.
Méthode : chaque ligne indique sa source et sa date de vérification dans la fiche complète. Pour une décision, comparer d’abord les valeurs sur un protocole commun, puis tester les audios et l’infrastructure du projet.
APIs STT cloud temps réel — Deepgram Nova-3 est la référence latence (75ms TTFA). Whisper large-v3 est le standard de qualité open-source. AssemblyAI Universal-3 Pro domine le benchmark WER multilingue — Voice Agent API $4.50/hr (lancement 29 avr. 2026).
Cliquez sur un en-tête pour trier
| Solution | TTFA | WER | Streaming | Multilingue | Diarisation | Prix/h · entrée | Souverain |
|---|---|---|---|---|---|---|---|
Google Gemini 3.5 TranscribeNouveau STT live + analyse d’enregistrements — candidat au benchmark | — | — | ✓ | 85 langs | ✗ | $0.54/h | ✗ |
Inworld STTMAJ Entrée vocale · candidat à évaluer | — | ✓ | 30 langs | ✓ | $0.10/h | ✗ | |
Deepgram FluxNouveau Tour de parole — à mesurer | — | — | ✓ | 10 langs | ✓ | $0.47/h | ✓ |
Speechmatics Melia 1 / Linden 1Nouveau STT français UE — à mesurer | — | — | ✓ | — | ✓ | $0.40/h | ✗ |
Gladia Solaria-1 / Solaria-3Nouveau STT français UE — live et fichier séparés | — | — | ✓ | 100 langs | ✓ | Tarif API à confirmer | ✗ |
OpenAI gpt-live-transcribeNouveau STT live — résidence EEE/CH à contractualiser | — | — | ✓ | — | ✗ | $1.02/h | ✗ |
Deepgram Nova-3MAJ MVP Phase 1 — ASR streaming | 75ms | ✓ | 45 langs | ✓ | $0.29/h | ✓ | |
Gradium STTNouveau R&D Phase B — Détection de tour + infrastructure temps réel | 100ms | ✓ | 5 langs | ✓ | $0.62/h | ✓ | |
AssemblyAI Universal-3.6 Pro RealtimeMAJ Pipeline d’agent vocal — Référence précision | 150ms | ✓ | 32 langs | ✓ | $0.21/h | ✗ | |
ElevenLabs Scribe v2Nouveau STT français — candidat à mesurer | 150ms | ✓ | 90 langs | ✓ | $0.39/h | ✗ | |
Azure Speech (Microsoft) Souveraineté suisse — institutionnel | 180ms | ✓ | 100 langs | ✓ | $1.00/h | ✓ | |
xAI Grok STTNouveau R&D Phase B — Évaluation du pipeline S2S | 200ms | ✓ | 25 langs | ✓ | $0.10/h | ✗ | |
Soniox v5Nouveau Précision + économique — à valider en production | 249ms | ✓ | 50 langs | ✓ | $0.12/h | ✗ | |
Cartesia Ink-2Nouveau MVP Phase 1 — Pipeline Cartesia complet (STT + TTS) | 299ms | ✓ | 5 langs | ✗ | $0.54/h | ✗ |
Comparaison par solution
Google Gemini 3.5 Transcribe sépare la reconnaissance en direct de la transcription des enregistrements. Gemini 3.5 Transcribe Live diffuse des textes intermédiaires et finalisés via la Live API, avec VAD automatique, hybride ou manuelle et vocabulaire personnalisé. Le modèle fichiers ajoute diarisation et timestamps mot-à-mot, indisponibles dans le flux live. Google annonce des WER propres au modèle, mais sur un protocole différent des benchmarks du portail ; précision comparative et latence de bout en bout restent à mesurer. Les deux voies sont des services cloud Gemini Developer API, et non Google Cloud Speech-to-Text v2/Chirp.
Fiche complète →Realtime STT-1 est un modèle de transcription cloud avec 30 langues documentées, des signaux Voice Profile et une détection de tour contrôlable. La diarisation est expérimentale. Inference est un service LLM distinct ; la Realtime API assemble les composants vocaux. RAG et embeddings restent des responsabilités applicatives.
Fiche complète →Flux est un modèle streaming Deepgram distinct de Nova-3. La liste des langues inclut le français parmi 10 langues, avec la détection de tour dans le modèle. Au 17 octobre 2026, le streaming multilingue est à 0,0078 $/min (0,47 $/h) et l’anglais promo à 0,0065 $/min. L’endpoint UE garde le traitement dans l’UE. Aucune milliseconde ni AA-WER Flux ne sont publiés.
Fiche complète →Melia 1 (17 juin 2026) est le modèle multilingue de Speechmatics, français inclus et changement de langue en cours de phrase, en batch et en temps réel. Linden 1 (17 septembre 2026) est le STT d’agent : français si la langue est fr, avec des tours qui reposent encore sur les pauses. Melia temps réel est à 0,40 $/h et Linden à 0,30 $/h. Un websocket UE est documenté.
Fiche complète →Solaria-1 est le modèle live de Gladia, 100+ langues dont le français. Solaria-3 (10 juin 2026) couvre l’audio européen enregistré (EN, FR, DE, ES, IT) et n’est pas un modèle de tour. Les prix self-serve du 17 octobre 2026 sont 0,68 €/h en live et 0,16 €/h pour Solaria-3 jusqu’à 100 heures. Le DPA cite OVH à Gravelines, en France.
Fiche complète →gpt-live-transcribe est le modèle de transcription live d’OpenAI, distinct de gpt-realtime-2.1 et de GPT-Live-1. La grille est à 0,017 $ par minute d’audio realtime. Le français est un indice de langue. Il n’y a pas de VAD serveur sur ce modèle. La page data controls documente un traitement EEE et Suisse sur eu.api.openai.com si les conditions de compte sont remplies. gpt-4o-transcribe est déprécié, retrait prévu le 26 février 2027.
Fiche complète →Deepgram Nova-3 est une option ASR temps réel pour les agents vocaux, avec prise en charge de plus de 45 langues, VAD et endpointing intégrés. Voice Agent API fournit un pipeline complet STT+LLM+TTS en une connexion WebSocket. Au 17 octobre 2026, le tarif standard Voice Agent est 0,075 $/min ; le tarif promotionnel de septembre est terminé. Le streaming Nova-3 monolingue est à 0,0048 $/min à la même date. La famille TTS comprend Aura-2 (0,030 $/1k caractères) et Flux TTS ; Flux est aussi un STT conversationnel distinct. Un déploiement on-premise Enterprise et un endpoint EU sont disponibles. La valeur de 75 ms P90 reste un benchmark Pipecat historique, pas un SLA Deepgram en direct.
Fiche complète →Gradium STT dispose d'un VAD sémantique pour la détection intelligente des tours de parole (basé sur le sens, pas juste le silence). Meilleure précision revendiquée par les fondateurs qui ont inventé les codecs audio neuronaux. 5 langues (FR/EN/DE/ES/PT), timestamps mot par mot, diarisation. Intégration native LiveKit et Pipecat. Option on-premise Enterprise avec zéro rétention de données.
Fiche complète →Le 29 septembre 2026, AssemblyAI a sorti Universal-3.6 Pro Realtime (`universal-3-6-pro`) : 32 langues, 0,45 $/h, endpointing sensible aux entités. Le WER anglais de 5,19 % est un protocole éditeur et n’est pas le WER comparatif de la fiche. Contexte antérieur : AssemblyAI a lancé sa Voice Agent API le 29 avril 2026 : pipeline complet STT+LLM+TTS en une seule connexion WebSocket à 4,50$/h forfait. Universal-3 Pro Streaming est le modèle STT temps réel avec détection de tour sémantique+acoustique, barge-in natif et reprise de session. Le tool calling (JSON Schema) permet d'intégrer un RAG custom (Pinecone, LlamaIndex, etc.) via function calling — pas de RAG natif mais intégration externe complète. Pas de clonage vocal natif : les voix sont prédéfinies (18+ voix EN/multilingue), mais il est possible d'intégrer un TTS externe (ElevenLabs, Cartesia) pour un clone vocal custom. Fonctionnalités LeMUR (résumé, Q&R, sentiment) disponibles sur les transcriptions.
Fiche complète →Scribe v2 est le couple speech-to-text actuel d’ElevenLabs : batch à 0,22 $/h et temps réel à 0,39 $/h, tous deux sur la grille API du 17 octobre 2026. Le français est dans le palier de précision « excellent » de l’éditeur. La page publique Artificial Analysis donne 2,2 % d’AA-WER à Scribe v2. Les 150 ms sont une annonce temps réel de l’éditeur, pas une mesure Où est Ava ?.
Fiche complète →Azure Speech offre un STT enterprise avec 100+ langues, entraînement de modèles personnalisés et datacenter suisse (Zurich). 5,9% WER en anglais. Déploiement en conteneur déconnecté pour une souveraineté partielle. Option la plus chère mais la plus forte en conformité enterprise. Modèle personnalisé suisse-allemand disponible.
Fiche complète →Grok STT est l'API de transcription standalone construite sur le même stack que Grok Voice Think Fast 2.0. Elle atteint 6.9% WER global sur appels téléphoniques, réunions, vidéos/podcasts et téléphonie — surpassant ElevenLabs Scribe v2 (9.0%), Deepgram Nova-3 (11.0%) et AssemblyAI (12.9%) dans le benchmark interne xAI. Particulièrement forte sur la reconnaissance d'entités grâce à l'ITN avancée. 25+ langues, timestamps mot par mot, diarisation, audio multicanal, keyterm biasing. Tarif $0.10/h batch — parmi les plus compétitifs. À évaluer plutôt dans le cadre du pipeline S2S Grok Voice Think Fast 2.0 ($0.08/min tout compris).
Fiche complète →Soniox v5 revendique le meilleur WER du marché à 1,25% (benchmark interne). Prix : $0,12/hr — l'API STT la plus abordable du benchmark. 249ms TTFS, 50+ langues, diarisation. On-premise disponible sur Enterprise. Très récent — track record production limité. Nouvelle entrée juin 2026.
Fiche complète →Cartesia Ink-2 garde le WER anglais Pipecat de juin 2026 à 1,47 %. Le 17 septembre 2026, la doc marque ink-2 stable en anglais, français, hindi, japonais et espagnol. Le seul prix horaire de la FAQ du 17 octobre est 0,39 $ sur le plan Scale. La latence de juin n’est pas une mesure française d’Où est Ava ?.
Fiche complète →