GamiWays

Voice-to-Voice & Temps Réel

Comparer les architectures vocales globales : cascade modulaire, plateformes intégrées et modèles speech-to-speech. Les comparatifs détaillés de reconnaissance et de synthèse restent sur leurs pages dédiées.

Cadrage stratégique : lire le Voice-to-Voice en situation

La métrique qui compte

Mesurez fin de parole → premier audio, puis regardez médiane, P95 et jitter. Une latence éditeur ou un premier audio isolé ne décrivent pas les silences, reprises et variations ressentis.

La couche infrastructure

WebRTC, détection de tour, barge-in, routage audio, reconnexion et mémoire de session déterminent la continuité. Un modèle S2S ne remplace ni cette régie ni son observabilité.

Rester attentif à

Testez streams parallèles, backpressure, coût par session, résidence des données et repli vers une cascade contrôlée. L’enjeu est une conversation stable, pas seulement une démo rapide.

Méthode de lecture : choisissez d’abord le niveau de contrôle requis, comparez ensuite la latence complète dans le même réseau, puis validez interruptions, charge et repli avant d’arrêter une architecture.

Deux architectures à mettre en regard

01

Pipeline Cascade

ASR → LLM → TTS — modulaire, contrôlable, prêt pour la production

505–1150ms

Ce que cela apporte

  • Contrôle total sur chaque composant
  • Remplacement indépendant de chaque bloc
  • Clonage vocal via la couche TTS

À arbitrer

  • Latence cumulative (3 étapes séquentielles)
  • Prosodie perdue entre LLM et TTS
  • Nécessite une couche d'orchestration
02

Voix-à-Voix End-to-End

Audio direct entrée → sortie — latence minimale, prosodie naturelle

150–350ms

Ce que cela apporte

  • Latence minimale possible (150–350ms)
  • Prosodie naturelle préservée de bout en bout
  • Pas de goulot d'étranglement texte

À arbitrer

  • Pas de clonage vocal (critique pour GamiWays)
  • Contrôle limité sur le contenu/persona
  • Modèles encore en maturation (2025–2026)

Les valeurs sont des repères de conception : chaque expérience doit mesurer sa latence réelle, de la fin de parole au premier audio reçu.

Voies Voice-to-Voice à évaluer

Repères issus des fiches voix existantes. Ouvrez une ligne pour lire les avantages, limites et conditions de test.

Hume EVI 3

Speech-to-speech

< 300 ms annoncé

Référence de conception pour l’intention émotionnelle ; Hume annonce que l’accès API TTS et EVI s’arrête le 13 novembre 2026. Ne pas démarrer une nouvelle intégration.

Contrôle
Fort — émotion en langage naturel
Souveraineté
Faible — cloud US
Moshi (Kyutai)

Full-duplex · R&D

200–400 ms signalés

Référence de recherche pour parler et écouter simultanément, surtout utile pour explorer interruptions, backchannels et tour de parole naturel.

Contrôle
Limité — recherche full-duplex
Souveraineté
Forte — poids ouverts
≈ 0,70 s premier audio

Pile speech-to-speech WebSocket qui rassemble transcription, raisonnement et réponse audio. Pertinente pour mesurer les gains d’une voie intégrée face à une cascade modulaire.

Contrôle
Partiel — tags TTS à qualifier en S2S
Souveraineté
Faible — cloud US
Ultravox v0.5

Speech-to-speech open weights

0,864 s médiane référencée

Voie open weights à tester pour la souveraineté et la réduction de la sérialisation, sans lui attribuer les garanties de contrôle d’une cascade.

Contrôle
Limité — sortie moins décomposable
Souveraineté
Forte — auto-hébergeable
OpenAI gpt-realtime-2.1

Speech-to-speech

1,536 s médiane référencée

gpt-realtime-2.1 reprend la voie speech-to-speech avec, selon OpenAI, de meilleures interruptions, un meilleur bruit et les alphanumériques. Les tokens audio restent à 32 $ / 64 $ par million. La variante mini est moins chère. TurnBench ci-dessous mesure encore les VAD de la génération documentée, pas Live-1.

Contrôle
Partiel — outils + raisonnement
Souveraineté
Partielle — résidence UE
Millisecondes non publiées

Un modèle parle, un autre raisonne. GPT-Live-1 écoute et parle en même temps ; les questions dures partent vers GPT-5.5 sans couper la voix. Instant appelle GPT-5.5 Instant, Medium et High appellent GPT-5.5 Thinking. Le mini, sur l’offre gratuite, n’appelle que GPT-5.5 Instant. L’API du 10 septembre : 0,05 $/min pour la couche voix, plus le modèle derrière. GPQA 84,2 % et BrowseComp 75,2 % sont des chiffres OpenAI contre Advanced Voice Mode, pas contre les autres lignes de ce tableau.

Contrôle
Ton par prompt ; GPT-5.5 raisonne derrière
Souveraineté
Faible — cloud, résidence à rejouer
Gemini 3.8 Live

Full-duplex

Millisecondes non publiées

Modèle de dialogue, distinct de Gemini 3.8 Flash TTS. Il passe entre 97 langues, ancre la réponse sur l’image, et lance outils et API pendant que la conversation continue. Deuxième au Speech Agent Arena, chiffre Google. Tarif et milliseconde non publiés. Search Live pour le public, aperçu privé côté entreprise.

Contrôle
Dialogue et ancrage visuel ; pas une direction de réplique
Souveraineté
Faible — cloud Google
Millisecondes non publiées

La variante qui garde la parole pendant le raisonnement. Google annonce 82,6 sur l’indice Speech to Speech, 68,6 % sur τ-Voice, 35,1 % sur τ-Voice-banking et 97,7 % sur Big Bench Audio. Ce sont des chiffres d’éditeur, pas l’ELO du portail. Le décompte de 97 langues du même billet est celui de Gemini 3.8 Live. Aucune milliseconde ni aucun tarif.

Contrôle
Raisonne et parle ensemble ; narration de tâche
Souveraineté
Faible — cloud Google
Inworld Realtime API

Plateforme unifiée

À mesurer sur la pile complète

Unifie STT, routage LLM et TTS-2 en streaming. Ce n’est pas un modèle audio-à-audio pur, mais une orchestration vocale intégrée. Inference héberge ou route le LLM séparément ; la qualité française et le délai complet restent à mesurer.

Contrôle
Fort — Voice Direction + outils
Souveraineté
Régions Enterprise à confirmer

Le lien décisif : l’infrastructure temps réel

Un modèle Voice-to-Voice ne remplace ni WebRTC, ni la gestion des interruptions, ni l’observabilité. Les mesures à suivre restent la fin de parole → premier audio, le barge-in, le jitter, les streams parallèles et le repli contrôlé si un service devient lent.

Comparer les réponses de l’infrastructure temps réel

Décider par scénario, puis mesurer

Pour Où est Ava ?, la cascade reste la référence lorsqu’il faut contrôler persona, texte et voix. Les voies S2S servent d’expériences comparatives sur la fluidité et l’émotion. La décision se prend sur des tests end-to-end, pas sur une seule latence éditeur.

Configurer une stack et estimer sa latence