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.
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.
ASR → LLM → TTS — modulaire, contrôlable, prêt pour la production
Ce que cela apporte
À arbitrer
Audio direct entrée → sortie — latence minimale, prosodie naturelle
Ce que cela apporte
À arbitrer
Les valeurs sont des repères de conception : chaque expérience doit mesurer sa latence réelle, de la fin de parole au premier audio reçu.
Repères issus des fiches voix existantes. Ouvrez une ligne pour lire les avantages, limites et conditions de test.
Speech-to-speech
Boucle conversationnelle audio avec une force particulière sur l’intention émotionnelle. À tester lorsque la manière de dire prime sur la composition modulaire.
Full-duplex · R&D
Référence de recherche pour parler et écouter simultanément, surtout utile pour explorer interruptions, backchannels et tour de parole naturel.
Plateforme unifiée
Unifie STT, routage LLM et TTS-2 en streaming. Ce n’est pas un modèle audio-à-audio pur, mais une voie de pile intégrée qui limite les sauts réseau entre composants.
Speech-to-speech
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.
Speech-to-speech open weights
Voie open weights à tester pour la souveraineté et la réduction de la sérialisation, sans lui attribuer les garanties de contrôle d’une cascade.
Speech-to-speech
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.
Full-duplex
Front vocal full-duplex : il écoute et parle en même temps, et délègue outils et raisonnement à un modèle arrière. 0,05 $/min pour cette couche, plus le modèle derrière. Le gain de tour annoncé contre gpt-realtime-2.1 est un chiffre OpenAI. Utile pour comparer une architecture, pas pour remplacer la cascade française.
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 réelPour 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