GamiWays

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.

CLOUD APIs

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

SolutionTTFAELOClonageDirection de jeuMultilinguePrix/h · entréeFiche
Eleven v4 / v4 TurboMAJ
Phase 1 MVP — Référence qualité
150 ms1329✓7/10 · Direction par instructions✓ 90$2.40/hVoir →
Cartesia Sonic 3.6MAJ
Phase 1 MVP — Latence critique
90 ms1285✓10/10 · Pilotage API explicite✓ 44$2.25/hVoir →
Gemini 3.8 Flash TTSNouveau
Direction de jeu vocale — à tester en français
non publié1275✓7/10 · Direction par instructions✓ 130Tarif API à confirmerVoir →
Inworld Realtime TTS-2 + FlashMAJ
Phase 1 MVP — Qualité + Pipeline conversationnel complet + 100+ langues
100 ms1262✓7/10 · Direction par instructions✓ 200$1.35/hVoir →
Gemini 3.8 Flash-Lite TTSNouveau
Cascade temps réel — à chiffrer
non publié1248✓7/10 · Direction par instructions✓ 101Tarif API à confirmerVoir →
StepAudio 2.5 TTS
Benchmarking qualité — non recommandé pour production EU
200 ms1214✓7/10 · Direction par instructions✓ 100$4.59/hVoir →
HeyGen Voice 1Nouveau
Candidat TTS — Où est Ava ?, sans remplacer Gradium
non publié1196✓7/10 · Direction par instructions✓ 39$1.80/hVoir →
Fish Audio S2.1 ProMAJ
Phase 1 MVP — Coût/Souveraineté
200 ms1190✓7/10 · Direction par instructions✓ 83$0.81/hVoir →
Gradium TTSNouveau
Phase B R&D — Lip-sync + Infrastructure Temps Réel
216 ms1174✓3/10 · Contrôle limité✓ 5$2.60/hVoir →
MiniMax Speech 2.8Nouveau
Prototypage économique — non recommandé pour production EU
200 ms1173✓10/10 · Pilotage API explicite✓ 17$3.24/hVoir →
OpenAI Realtime (gpt-realtime-2.1) + GPT-Live-1MAJ
Dialogue live — délégation GPT-5.5
300 ms1079✗7/10 · Direction par instructions✓ 70$4.61/hVoir →
Deepgram Flux TTSNouveau
Phase B R&D — Test conversationnel temps réel
80 ms1053✗10/10 · Pilotage API explicite✗$2.70/hVoir →
Hume AI Octave 2MAJ
Phase 1 MVP — Expressivité émotionnelle
100 ms1051✓10/10 · Pilotage API explicite✓ 11Tarif API à confirmerVoir →
Smallest.ai Lightning V3.1
Pipeline complète — Phase B Hydra S2S
100 ms1024✓3/10 · Contrôle limité✓ 15$0.94/hVoir →
Gemini 3.8 LiveNouveau
Dialogue live — hors cascade TTS
non publié—✗3/10 · Contrôle limité✓ 97Tarif API à confirmerVoir →
Gemini 3.8 Live Extended ThinkingNouveau
Dialogue live — raisonnement parallèle
non publié—✗3/10 · Contrôle limité✓ 97Tarif API à confirmerVoir →
Fish Audio Drama 3Nouveau
Où est Ava ? — test de direction, hors antenne
non publié—✓7/10 · Direction par instructions✓ non chiffréTarif API à confirmerVoir →
Deepgram Aura 2MAJ
Phase 1 MVP — Stack ASR+TTS intégré
80 ms—✗3/10 · Contrôle limité✗$1.62/hVoir →
xAI Grok TTSNouveau
Phase B R&D — Évaluation pipeline S2S
285 ms—✓7/10 · Direction par instructions✓ 20$0.81/hVoir →

Comparaison par solution

API CloudMis à jour

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

Qualité10/10
10
Latence8/10
8
Clonage10/10
10
Direction de jeu7/10
7
Souveraineté2/10
2
Prix2/10
2
150 ms TTFAELO 1329ClonageLip-sync
Phase 1 MVP — Référence qualité
Fiche détaillée →
API CloudMis à jour

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

Qualité10/10
10
Latence9/10
9
Clonage8/10
8
Direction de jeu10/10
10
Souveraineté4/10
4
Prix5/10
5
90 ms TTFAELO 1285Clonage
Phase 1 MVP — Latence critique
Fiche détaillée →
API CloudNouveau

Gemini 3.8 Flash TTS

Nouveau — design de voix et acting ligne à ligne, 130 langues. Pas de TTFA publié.

Direction par instructions

Qualité8/10
8
Latence4/10
4
Clonage7/10
7
Direction de jeu7/10
7
Souveraineté2/10
2
Prix5/10
5
non publié TTFAELO 1275Clonage
Direction de jeu vocale — à tester en français
Fiche détaillée →
API CloudMis à jour

Inworld Realtime TTS-2 + Flash

TTS conversationnel disponible : direction libre, contexte audio, non-verbaux et variante Flash à faible délai serveur

Direction par instructions

Qualité9/10
9
Latence8/10
8
Clonage9/10
9
Direction de jeu7/10
7
Souveraineté6/10
6
Prix7/10
7
100 ms TTFAELO 1262ClonageSouverainLip-sync
Phase 1 MVP — Qualité + Pipeline conversationnel complet + 100+ langues
Fiche détaillée →
API CloudNouveau

Gemini 3.8 Flash-Lite TTS

Nouveau — variante débit et agents en cascade, 101 langues. Pas de TTFA publié.

Direction par instructions

Qualité7/10
7
Latence5/10
5
Clonage6/10
6
Direction de jeu7/10
7
Souveraineté2/10
2
Prix6/10
6
non publié TTFAELO 1248Clonage
Cascade temps réel — à chiffrer
Fiche détaillée →
API Cloud

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

Qualité9/10
9
Latence6/10
6
Clonage9/10
9
Direction de jeu7/10
7
Souveraineté1/10
1
Prix5/10
5
200 ms TTFAELO 1214Clonage
Benchmarking qualité — non recommandé pour production EU
Fiche détaillée →
API CloudNouveau

HeyGen Voice 1

Nouveau — TTS maison HeyGen, octobre 2026. Arena Controlled Voice, pas l’arena vocale principale.

Direction par instructions

Qualité9/10
9
Latence4/10
4
Clonage9/10
9
Direction de jeu7/10
7
Souveraineté1/10
1
Prix6/10
6
non publié TTFAELO 1196ClonageLip-sync
Candidat TTS — Où est Ava ?, sans remplacer Gradium
Fiche détaillée →
API CloudMis à jour

Fish Audio S2.1 Pro

Pay-as-you-go voice cloning — 70% cheaper than ElevenLabs

Direction par instructions

Qualité6/10
6
Latence6/10
6
Clonage8/10
8
Direction de jeu7/10
7
Souveraineté4/10
4
Prix7/10
7
200 ms TTFAELO 1190Clonage
Phase 1 MVP — Coût/Souveraineté
Fiche détaillée →
API CloudNouveau

Gradium TTS

TTS streaming français avec précision de prononciation structurée et résidence UE activable

Contrôle limité

Qualité7/10
7
Latence7/10
7
Clonage8/10
8
Direction de jeu3/10
3
Souveraineté6/10
6
Prix9/10
9
216 ms TTFAELO 1174ClonageSouverainLip-sync
Phase B R&D — Lip-sync + Infrastructure Temps Réel
Fiche détaillée →
API CloudNouveau

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

Qualité8/10
8
Latence6/10
6
Clonage8/10
8
Direction de jeu10/10
10
Souveraineté1/10
1
Prix10/10
10
200 ms TTFAELO 1173Clonage
Prototypage économique — non recommandé pour production EU
Fiche détaillée →
API CloudMis à jour

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

Qualité4/10
4
Latence6/10
6
Clonage1/10
1
Direction de jeu7/10
7
Souveraineté2/10
2
Prix3/10
3
300 ms TTFAELO 1079
Dialogue live — délégation GPT-5.5
Fiche détaillée →
API CloudNouveau

Deepgram Flux TTS

Nouveau — TTS conversationnel natif : 80ms premier audio (éditeur), contexte inter-tours, WebSocket + REST

Pilotage API explicite

Qualité7/10
7
Latence9/10
9
Clonage1/10
1
Direction de jeu10/10
10
Souveraineté6/10
6
Prix4/10
4
80 ms TTFAELO 1053Souverain
Phase B R&D — Test conversationnel temps réel
Fiche détaillée →
API CloudMis à jour

Hume AI Octave 2

Emotional TTS / speech-to-speech — API retirement announced for 13 Nov. 2026

Pilotage API explicite

Qualité3/10
3
Latence8/10
8
Clonage6/10
6
Direction de jeu10/10
10
Souveraineté2/10
2
Prix8/10
8
100 ms TTFAELO 1051Clonage
Phase 1 MVP — Expressivité émotionnelle
Fiche détaillée →
API Cloud

Smallest.ai Lightning V3.1

Full voice pipeline (TTS + STT + LLM + S2S) — sub-100ms, 15+ languages

Contrôle limité

Qualité2/10
2
Latence9/10
9
Clonage7/10
7
Direction de jeu3/10
3
Souveraineté6/10
6
Prix8/10
8
100 ms TTFAELO 1024ClonageSouverain
Pipeline complète — Phase B Hydra S2S
Fiche détaillée →
API CloudNouveau

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

Qualité6/10
6
Latence4/10
4
Clonage1/10
1
Direction de jeu3/10
3
Souveraineté2/10
2
Prix5/10
5
non publié TTFA
Dialogue live — hors cascade TTS
Fiche détaillée →
API CloudNouveau

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

Qualité7/10
7
Latence4/10
4
Clonage1/10
1
Direction de jeu3/10
3
Souveraineté2/10
2
Prix5/10
5
non publié TTFA
Dialogue live — raisonnement parallèle
Fiche détaillée →
API CloudNouveau

Fish Audio Drama 3

Preview — diriger l’interprétation dans le texte. Ni prix ni temps au premier audio publiés.

Direction par instructions

Qualité6/10
6
Latence4/10
4
Clonage7/10
7
Direction de jeu7/10
7
Souveraineté2/10
2
Prix4/10
4
non publié TTFAClonage
Où est Ava ? — test de direction, hors antenne
Fiche détaillée →
API CloudMis à jour

Deepgram Aura 2

Aura 2 baseline — Coval: 327ms median TTFA, 5.1% WER (12 Aug 2026)

Contrôle limité

Qualité6/10
6
Latence9/10
9
Clonage1/10
1
Direction de jeu3/10
3
Souveraineté3/10
3
Prix7/10
7
80 ms TTFA
Phase 1 MVP — Stack ASR+TTS intégré
Fiche détaillée →
API CloudNouveau

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

Qualité8/10
8
Latence8/10
8
Clonage7/10
7
Direction de jeu7/10
7
Souveraineté2/10
2
Prix7/10
7
285 ms TTFAClonage
Phase B R&D — Évaluation pipeline S2S
Fiche détaillée →

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 →