TTS & Synthèse Vocale
Comparatif des solutions de synthèse vocale pour les pipelines conversationnels (2025–2026). Benchmarks, enjeux stratégiques et questions de décision.
Cadrage stratégique : entendre le TTS en contexte
Ce que les chiffres disent
Le TTFA mesure le début audible ; l’ELO donne un repère de préférence, pas une garantie pour votre texte. Lisez-les comme des signaux, puis écoutez les tours courts, les silences, les chiffres et les répliques sensibles.
Ce qui fait l’expérience
Le clonage, les langues et surtout la direction de jeu déterminent comment la voix parle. Distinguez un contrôle explicite de simples instructions : testez si l’intention, le rythme et les pauses tiennent d’un tour à l’autre.
Rester attentif à
Le prix/h est une porte d’entrée, non un budget de production : incluez volume, streams, cache et régénérations. Vérifiez aussi consentement et droits de clonage, résidence des données et repli si une voix ou une API change.
Méthode de lecture : fixez d’abord le niveau de contrôle et de voix requis, comparez ensuite latence et qualité sur les mêmes répliques, puis testez le coût, les droits et le repli à l’échelle d’une session complète.
Cette section compare les API cloud de TTS streaming (2025–2026). Pour Où est Ava ?, il faut distinguer la présence d’une voix naturelle du pilotage documenté de la manière de dire : paramètres, tags ou direction en langage naturel sont détaillés dans chaque fiche.
Cliquez sur un en-tête pour trier
| Solution | TTFA | ELO | Clonage | Direction de jeu | Multilingue | Prix/h · entrée | Fiche |
|---|---|---|---|---|---|---|---|
Eleven v4 / v4 TurboMAJ Phase 1 MVP — Référence qualité | 150 ms | 1329 | ✓ | 7/10 · Direction par instructions | ✓ 90 | $2.40/h | Voir → |
Cartesia Sonic 3.6MAJ Phase 1 MVP — Latence critique | 90 ms | 1285 | ✓ | 10/10 · Pilotage API explicite | ✓ 44 | $2.25/h | Voir → |
Gemini 3.8 Flash TTSNouveau Direction de jeu vocale — à tester en français | non publié | 1275 | ✓ | 7/10 · Direction par instructions | ✓ 130 | Tarif API à confirmer | Voir → |
Inworld Realtime TTS-2 + FlashMAJ Phase 1 MVP — Qualité + Pipeline conversationnel complet + 100+ langues | 100 ms | 1262 | ✓ | 7/10 · Direction par instructions | ✓ 200 | $1.35/h | Voir → |
Gemini 3.8 Flash-Lite TTSNouveau Cascade temps réel — à chiffrer | non publié | 1248 | ✓ | 7/10 · Direction par instructions | ✓ 101 | Tarif API à confirmer | Voir → |
StepAudio 2.5 TTS Benchmarking qualité — non recommandé pour production EU | 200 ms | 1214 | ✓ | 7/10 · Direction par instructions | ✓ 100 | $4.59/h | Voir → |
HeyGen Voice 1Nouveau Candidat TTS — Où est Ava ?, sans remplacer Gradium | non publié | 1196 | ✓ | 7/10 · Direction par instructions | ✓ 39 | $1.80/h | Voir → |
Fish Audio S2.1 ProMAJ Phase 1 MVP — Coût/Souveraineté | 200 ms | 1190 | ✓ | 7/10 · Direction par instructions | ✓ 83 | $0.81/h | Voir → |
Gradium TTSNouveau Phase B R&D — Lip-sync + Infrastructure Temps Réel | 216 ms | 1174 | ✓ | 3/10 · Contrôle limité | ✓ 5 | $2.60/h | Voir → |
MiniMax Speech 2.8Nouveau Prototypage économique — non recommandé pour production EU | 200 ms | 1173 | ✓ | 10/10 · Pilotage API explicite | ✓ 17 | $3.24/h | Voir → |
OpenAI Realtime (gpt-realtime-2.1) + GPT-Live-1MAJ Dialogue live — délégation GPT-5.5 | 300 ms | 1079 | ✗ | 7/10 · Direction par instructions | ✓ 70 | $4.61/h | Voir → |
Deepgram Flux TTSNouveau Phase B R&D — Test conversationnel temps réel | 80 ms | 1053 | ✗ | 10/10 · Pilotage API explicite | ✗ | $2.70/h | Voir → |
Hume AI Octave 2MAJ Phase 1 MVP — Expressivité émotionnelle | 100 ms | 1051 | ✓ | 10/10 · Pilotage API explicite | ✓ 11 | Tarif API à confirmer | Voir → |
Smallest.ai Lightning V3.1 Pipeline complète — Phase B Hydra S2S | 100 ms | 1024 | ✓ | 3/10 · Contrôle limité | ✓ 15 | $0.94/h | Voir → |
Gemini 3.8 LiveNouveau Dialogue live — hors cascade TTS | non publié | — | ✗ | 3/10 · Contrôle limité | ✓ 97 | Tarif API à confirmer | Voir → |
Gemini 3.8 Live Extended ThinkingNouveau Dialogue live — raisonnement parallèle | non publié | — | ✗ | 3/10 · Contrôle limité | ✓ 97 | Tarif API à confirmer | Voir → |
Fish Audio Drama 3Nouveau Où est Ava ? — test de direction, hors antenne | non publié | — | ✓ | 7/10 · Direction par instructions | ✓ non chiffré | Tarif API à confirmer | Voir → |
Deepgram Aura 2MAJ Phase 1 MVP — Stack ASR+TTS intégré | 80 ms | — | ✗ | 3/10 · Contrôle limité | ✗ | $1.62/h | Voir → |
xAI Grok TTSNouveau Phase B R&D — Évaluation pipeline S2S | 285 ms | — | ✓ | 7/10 · Direction par instructions | ✓ 20 | $0.81/h | Voir → |
Comparaison par solution
Eleven v4 / v4 Turbo
Eleven v4 (28 sept. 2026) — API $0.08/1k caractères, Turbo $0.04. Arena publique 17 oct. : v4 ELO 1329 (#2), Turbo 1330 (#1).
Direction par instructions
Cartesia Sonic 3.6
Sonic 3.6 (27 août 2026) — 44 langues, plafond éditeur sous 90 ms. Arena publique 17 oct. : ELO 1285, rang 4.
Pilotage API explicite
Gemini 3.8 Flash TTS
Nouveau — design de voix et acting ligne à ligne, 130 langues. Pas de TTFA publié.
Direction par instructions
Inworld Realtime TTS-2 + Flash
TTS conversationnel disponible : direction libre, contexte audio, non-verbaux et variante Flash à faible délai serveur
Direction par instructions
Gemini 3.8 Flash-Lite TTS
Nouveau — variante débit et agents en cascade, 101 langues. Pas de TTFA publié.
Direction par instructions
StepAudio 2.5 TTS
Contextual TTS — ELO AA V2 Free 1210 (5 octobre ; rang non publié), dual-level context control, zero-shot voice cloning in 3 sec
Direction par instructions
HeyGen Voice 1
Nouveau — TTS maison HeyGen, octobre 2026. Arena Controlled Voice, pas l’arena vocale principale.
Direction par instructions
Fish Audio S2.1 Pro
Pay-as-you-go voice cloning — 70% cheaper than ElevenLabs
Direction par instructions
Gradium TTS
TTS streaming français avec précision de prononciation structurée et résidence UE activable
Contrôle limité
MiniMax Speech 2.8
Sound tags natifs — Speech 2.8 HD ELO 1173 (rang 22). Tarif d’entrée Turbo $60/1M, HD arena $100/1M.
Pilotage API explicite
OpenAI Realtime (gpt-realtime-2.1) + GPT-Live-1
GPT-Live-1 parle, GPT-5.5 raisonne derrière. API au 10 sept. à 0,05 $/min pour la voix, plus le modèle. Scores The Batch contre AVM seulement.
Direction par instructions
Deepgram Flux TTS
Nouveau — TTS conversationnel natif : 80ms premier audio (éditeur), contexte inter-tours, WebSocket + REST
Pilotage API explicite
Hume AI Octave 2
Emotional TTS / speech-to-speech — API retirement announced for 13 Nov. 2026
Pilotage API explicite
Smallest.ai Lightning V3.1
Full voice pipeline (TTS + STT + LLM + S2S) — sub-100ms, 15+ languages
Contrôle limité
Gemini 3.8 Live
Dialogue live (15 sept. 2026) — 97 langues, outils en arrière-plan. Pas un TTS de cascade. Pas de milliseconde publiée.
Contrôle limité
Gemini 3.8 Live Extended Thinking
Dialogue live à raisonnement parallèle (15 sept. 2026). Les indices sont des chiffres Google. Pas de milliseconde publiée.
Contrôle limité
Fish Audio Drama 3
Preview — diriger l’interprétation dans le texte. Ni prix ni temps au premier audio publiés.
Direction par instructions
Deepgram Aura 2
Aura 2 baseline — Coval: 327ms median TTFA, 5.1% WER (12 Aug 2026)
Contrôle limité
xAI Grok TTS
TTS naturel et expressif — #3 Humanness Index Vapi (93/100), 460ms TTFA, 5 voix, 20 langues, $15/1M chars
Direction par instructions
Architecture globale : Voice-to-Voice & temps réel
GPT-Live-1 et Gemini 3.8 Live sont des fiches de dialogue dans ce tableau, pas des TTS de cascade. Leur comparaison d’architecture — full-duplex, délégation, indices éditeur — est sur la page Voice-to-Voice. Aucune milliseconde non publiée n’est convertie en TTFA.
Explorer Voice-to-Voice →