# API de synthèse vocale pour appels téléphoniques : 19 voix testées sur la latence, les chiffres et le prix (nov. 2026)

> Stork a testé 19 voix de synthèse vocale, dont Inworld, ElevenLabs, Rime, Cartesia, Smallest.ai, Deepgram, Fish Audio, Google et OpenAI, sur des phrases de réceptionniste transmises par une ligne téléphonique G.711 simulée : délai avant le premier mot, fidélité des numéros de téléphone, e-mails et adresses, et prix par minute. Test réalisé le 12 novembre 2026.

- Source: https://www.stork.ai/blog/fr/text-to-speech-api-phone-calls-test-2026
- Publisher: Stork.AI editorial team
- Published: 2026-11-12
- Updated: 2026-11-12
- Language: fr
- Reading time: 21 min

## Key takeaways

- Trois voix ont commencé à parler en environ 0,2 s : Inworld TTS-2 Flash (0,18 s), ElevenLabs Flash v2.5 (0,22 s), Rime Mist v3 (0,24 s).
- Leurs prix varient du simple au triple : environ 0,011 $, 0,036 $ et 0,030 $ par minute d'audio au tarif public.
- Gemini 3.8 Flash Lite TTS : premier mot en 0,70 s pour environ 0,009 $ par minute ; Chirp 3 HD offre 1M de caractères gratuits par mois.
- Les 19 voix ont correctement transmis le numéro de téléphone, le prix, la date et l'heure sur une ligne téléphonique G.711 à chaque essai.
- OpenAI tts-1 a mal lu un numéro de rue dans 3 essais sur 3 ; gpt-4o-mini-tts a omis une question finale dans 3 essais sur 3.
- Le premier octet n'est pas le premier mot : Chirp 3 HD, Gemini, Aura-2 et Kokoro débutent chaque extrait par 0,26 à 0,43 s de silence.

**En bref :** nous avons envoyé cinq phrases de réceptionniste (un message d'accueil, une relecture de numéro de téléphone et d'e-mail, une adresse postale, un prix avec une date et une heure, et une longue consigne) à 19 modèles de synthèse vocale, trois fois chacun, fait passer chaque extrait par une ligne téléphonique simulée et demandé à deux modèles de reconnaissance vocale de transcrire ce qu'ils entendaient. Presque toutes les voix ont transmis correctement chaque numéro de téléphone, e-mail, code postal, prix et heure. Les différences qui comptent lors d'un appel ont été la vitesse et le prix. Trois voix ont commencé à parler en environ 0,2 s : [Inworld](https://get.platform.inworld.ai/911q5gfszy2s-bpprsc) **TTS-2 Flash** (0,18 s), [ElevenLabs](https://try.elevenlabs.io/stork-tts) **Flash v2.5** (0,22 s) et Rime **Mist v3** (0,24 s). Elles sont assez proches pour que leur ordre ait changé lors d'un second essai en alternance, mais leurs prix, eux, ne le sont pas : environ 0,011 $ par minute d'audio pour Inworld TTS-2 Flash, 0,030 $ pour Rime Mist v3 et 0,036 $ pour ElevenLabs Flash v2.5. **Gemini 3.8 Flash Lite TTS** de Google reste la voix en streaming la moins chère et suffisamment rapide, à 0,009 $ par minute (0,70 s jusqu'au premier mot). Deux résultats d'OpenAI se sont démarqués négativement : **tts-1** a mal lu le numéro de rue « 1428 » lors des trois essais, et **gpt-4o-mini-tts** a omis la question finale « Is that right? » lors des trois essais.

**De quoi il s'agit :** le test interne de Stork, réalisé le 12 novembre 2026, avec un script que chacun peut relancer (méthode ci-dessous). Nous testons chaque API vocale que nous pouvons atteindre avec nos propres clés, et nous le répétons chaque mois. Cartesia, Deepgram, Rime, Smallest.ai, Fish Audio, Google Cloud et l'API propre d'Inworld ont été ajoutés le même jour, une fois les clés obtenues. Il complète notre [test de reconnaissance vocale sur audio téléphonique](https://stork.ai/blog/speech-to-text-phone-audio-test-2026), qui testait la direction inverse. C'est un test de composant, pas un test d'agent vocal complet. Azure, Amazon Polly, Murf et Speechify n'ont pas été testés faute de clés ; leurs prix publiés figurent dans le tableau plus bas.

## Résultats

| Voice model (how we reached it) | First audio p50 / p90 | First audible speech p50 / p90 | Whole sentence p50 | Phone-line errors (words) | Numbers, email, address right | List price per minute of audio |
| --- | --- | --- | --- | --- | --- | --- |
| TTS-2 Flash (Inworld API) | 0.17 s / 0.21 s | 0.18 s / 0.22 s | 0.70 s | 0.3% | 27 of 27 | $0.011 |
| Flash v2.5 (ElevenLabs API) | 0.22 s / 0.24 s | 0.22 s / 0.29 s | 0.33 s | 0% | 27 of 27 | $0.036 |
| Mist v3 (Rime API) | 0.24 s / 0.29 s | 0.24 s / 0.29 s | 0.31 s | 0% | 27 of 27 | $0.030 |
| TTS-2 (Inworld API) | 0.22 s / 0.27 s | 0.28 s / 0.35 s | 1.80 s | 0% | 27 of 27 | $0.018 |
| Lightning v3.1 Pro (Smallest.ai API) | 0.24 s / 0.30 s | 0.30 s / 0.36 s | 0.92 s | 0% | 27 of 27 | $0.017 |
| Sonic 3.6 (Cartesia API) | 0.21 s / 0.24 s | 0.33 s / 0.37 s | 1.20 s | 0% | 27 of 27 | $0.030 on the Startup plan |
| Coda (Rime API) | 0.27 s / 0.33 s | 0.39 s / 0.45 s | 2.00 s | 0.4% | 26 of 27 | $0.050 |
| v4 Turbo (ElevenLabs API) | 0.39 s / 0.51 s | 0.47 s / 0.53 s | 1.82 s | 0% | 27 of 27 | $0.030 |
| Chirp 3 HD (Google Cloud TTS) | 0.21 s / 0.27 s | 0.53 s / 0.72 s | 1.26 s | 0% | 27 of 27 | $0.023 |
| S2.1 Pro, free developer tier (Fish Audio API) | 0.68 s / 0.83 s | 0.68 s / 0.83 s | 5.26 s | 0.1% | 27 of 27 | $0.012 at the paid rate |
| Gemini 3.8 Flash Lite TTS (Google Gemini API) | 0.48 s / 0.53 s | 0.70 s / 0.80 s | 1.82 s | 0% | 27 of 27 | $0.009 |
| Aura-2 (Deepgram API) | 0.55 s / 0.69 s | 0.72 s / 0.93 s | 4.31 s | 0.1% | 27 of 27 | $0.021 |
| gpt-4o-mini-tts (OpenAI API) | 0.63 s / 0.95 s | 0.80 s / 1.29 s | 1.80 s | 2.3% | 27 of 27 | about $0.015 |
| Gemini 3.8 Flash TTS (Google Gemini API) | 0.77 s / 0.85 s | 0.99 s / 1.13 s | 2.78 s | 0% | 27 of 27 | $0.0135 |
| Kokoro-82M, open model (DeepInfra) | 0.63 s / 0.93 s | 1.06 s / 1.36 s | 0.84 s | 0.8% | 27 of 27 | $0.0007 |
| tts-1 (OpenAI API) | 1.25 s / 1.82 s | 1.25 s / 1.82 s | 1.48 s | 1.3% | 24 of 27 | $0.013 |
| Inworld TTS-2 (via DeepInfra) | 2.56 s / 3.43 s | 2.64 s / 3.50 s | 2.94 s | 0% | 27 of 27 | $0.025 on DeepInfra |
| xAI TTS v1 (via fal, no stream) | not streamed | not streamed | 3.54 s | 0% | 27 of 27 | $0.011 |
| MiniMax Speech 2.8 Turbo (via fal, no stream) | not streamed | not streamed | 4.55 s | 0% | 27 of 27 | $0.038 |

*Stork test, November 12, 2026, from one computer in California. 15 requests per model (5 sentences x 3 rounds), 0 failed requests. First audible speech = first audio byte plus any silence at the start of the clip. Errors = word error rate on the phone-line audio, averaged over two judges. Numbers, email, address = 9 items per round (phone number, email, house number, street, unit, ZIP, price, date, time) x 3 rounds, counted as wrong only when both judges missed it. Price per minute = list price for what we sent, divided by the audio we got back; Google's Gemini prices double on January 1, 2027.*

> [!FACT] Dans ce test, la ligne téléphonique n'est pas ce qui a rendu une voix difficile à comprendre. Après avoir fait passer les 285 clips par une ligne G.711 mu-law 8 kHz, seules deux voix ont eu une entité mal comprise : le numéro de rue d'OpenAI tts-1 (lors des trois séries, et déjà erroné dans l'audio en pleine qualité) et l'orthographe de « Kowalski » par Rime Coda lors d'une série sur trois. Ce qui a départagé les voix, c'est le temps d'attente de l'appelant avant le premier mot, le coût de chaque minute, et deux cas où un modèle n'a pas dit ce qu'on lui avait fourni.

## Ce que nous avons constaté

### 1. Trois voix commencent à parler en environ 0,2 seconde

Inworld TTS-2 Flash, ElevenLabs Flash v2.5 et Rime Mist v3 ont toutes produit leur premier mot audible en 0,18 à 0,24 s à la médiane et en moins de 0,3 s au 90e centile, et aucune n'a commencé ses clips par du silence. Les nouvelles voix ont été testées environ quatre heures après le premier lot ; nous avons donc relancé une série entrelacée supplémentaire des cinq phrases pour les sept voix les plus rapides ensemble. L'ordre au sein du trio de tête a changé (Inworld TTS-2 Flash 0,19 s, Rime Mist v3 0,20 s, ElevenLabs Flash v2.5 0,25 s), et tout ce qui se trouve en dessous a gardé sa place : Inworld TTS-2 0,30 s, Cartesia 0,35 s, Google Chirp 3 HD 0,53 s et Gemini 3.8 Flash Lite 0,65 s. Considérez les trois premières comme à égalité en vitesse et choisissez selon le prix, la voix et les fonctionnalités.

### 2. Le premier audio n'est pas le premier mot

Le délai avant le premier octet audio est la mesure de latence habituelle, mais plusieurs modèles commencent leur extrait par du silence. Chirp 3 HD de Google a envoyé son premier audio en 0,21 s, aussi vite que les meilleurs, mais a débuté chaque extrait par environ 0,27 s de silence ; l'appelant entend donc le premier mot après environ 0,53 s. Les deux voix Gemini de Google et Deepgram Aura-2 commencent aussi par environ 0,26 s de silence, Cartesia par environ 0,14 s et Kokoro par environ 0,43 s. Nous avons mesuré ce silence dans chaque extrait (tout ce qui est plus faible que -40 dB) et l'avons ajouté, ce qui donne la colonne « premier son audible ».

Dans un agent vocal, la voix est la dernière de trois étapes qui s'enchaînent : le modèle de reconnaissance vocale décide que l'appelant a fini de parler, le modèle de langage commence sa réponse, puis la voix commence à parler. Chaque dixième de seconde ici est un dixième de seconde de silence sur la ligne.

### 3. Les chiffres et les e-mails passent en grande partie la ligne téléphonique

Nous nous attendions à ce que les chiffres et les adresses e-mail soient le point faible des voix bon marché et de l'audio 8 kHz. Ce n'a presque pas été le cas. Chaque modèle a lu « 415-867-5309 » comme un numéro de téléphone que les deux juges ont correctement transcrit, chaque modèle a lu « dana.kowalski@gmail.com » comme une adresse épelée, et chaque modèle a transmis « $249.99 », « March 14th » et « 3:15 PM » lors des trois essais. Personne n'a eu besoin de SSML ni d'un prompt réécrit pour cela. C'est une bonne nouvelle pour les développeurs, mais c'est aussi un petit test : un seul numéro de téléphone, un seul e-mail et une seule adresse, en anglais, avec un nom courant.

### 4. Deux résultats d'OpenAI à vérifier dans vos propres modèles de texte

**tts-1 a mal lu un numéro de rue.** Lors des trois essais, les deux juges ont entendu « 1428 Elm Street » comme « Fort 128 » ou « 128 Elm Street », et une troisième passe sur l'audio en pleine qualité a donné le même résultat. La ligne téléphonique n'en est pas la cause. Si vous utilisez tts-1 pour des adresses, écrivez les numéros de rue en toutes lettres ou testez d'abord votre mise en forme.

**gpt-4o-mini-tts a omis une phrase.** Pour « I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right? », l'audio s'est arrêté après l'e-mail lors des trois essais. Les deux juges, ainsi que gpt-transcribe d'OpenAI sur les trois dernières secondes de l'extrait, ont entendu l'e-mail lu lentement, puis plus rien. La question finale est ce qui transforme une relecture en confirmation ; c'est donc le genre d'omission qu'un appelant remarque. gpt-4o-mini-tts est un modèle pilotable qui accepte des instructions de style ; nous n'en avons envoyé aucune. Nous l'avons observé sur une phrase sur cinq, trois fois sur trois.

Les autres petites différences : Kokoro (3 essais sur 3), Inworld TTS-2 Flash et Rime Coda (1 essai sur 3 chacun) ont dit « your email is » là où le texte disait « your email as », et un juge a entendu Deepgram Aura-2 dire « their » au lieu de « your » une fois. Aucune ne change le sens.

### 5. Le même modèle via un revendeur peut être dix fois plus lent

Inworld TTS-2 via sa propre API a commencé à parler en 0,28 s. Le même modèle via DeepInfra a pris 2,64 s, car le point d'accès de DeepInfra semble générer l'extrait entier avant d'en envoyer la moindre partie, et DeepInfra facture 35 $ par 1M de caractères contre 25 $ chez Inworld. MiniMax et xAI, que nous n'avons pu atteindre que via [fal.ai](https://stork.ai/en/fal-ai), renvoient un fichier terminé ; ils n'ont donc qu'un temps « phrase entière » (3,5 à 4,6 s, file d'attente de fal comprise) ; tous deux font du streaming sur leurs propres API, que nous n'avons pas testées.

## Quelle voix pour quelle tâche téléphonique

- **Agent vocal en direct (un appelant qui parle à une IA en temps réel) :** la latence d'abord. Inworld TTS-2 Flash, ElevenLabs Flash v2.5 et Rime Mist v3 ont toutes commencé à parler en environ 0,2 s, et toutes trois renvoient directement du mu-law 8 kHz ; il n'y a donc rien à convertir avant que l'audio n'entre dans un appel téléphonique. Côté prix, Inworld TTS-2 Flash (0,011 $ par minute) coûte environ un tiers de Rime Mist v3 (0,030 $) et d'ElevenLabs Flash v2.5 (0,036 $). Inworld TTS-2 (0,28 s, 0,018 $), Smallest.ai Lightning v3.1 Pro (0,30 s, 0,017 $) et Cartesia Sonic 3.6 (0,33 s, 0,030 $ avec son offre Startup) constituent le niveau suivant. Les plateformes qui incluent une voix sont comparées dans [best AI voice agent platforms](https://stork.ai/blog/best-ai-voice-agent-platforms-2026).
- **Menus IVR et messages de réceptionniste :** l'essentiel de ce que dit un IVR est fixe (messages d'accueil, options de menu, horaires) ; générez-le donc une fois et réutilisez l'audio. La latence ne compte alors que pour les parties dynamiques : noms, numéros, dates. Le prix par minute compte ici plus que la vitesse. Chirp 3 HD de Google Cloud inclut 1M de caractères gratuits par mois (environ 22 heures de parole à notre rythme) et produit nativement du mu-law ; Gemini 3.8 Flash Lite TTS (0,009 $ par minute) et Kokoro sur DeepInfra (0,0007 $ par minute, ou gratuit sur vos propres serveurs sous sa licence Apache 2.0) sont les voix payantes les moins chères que nous ayons testées. Dans tous les cas, vérifiez vos propres modèles de relecture ; l'un de nos 19 modèles a mal lu un simple numéro de rue.
- **Appels sortants en volume :** le prix par minute détermine la facture. Au tarif public, les voix les moins chères que nous avons mesurées étaient Kokoro sur DeepInfra, Gemini 3.8 Flash Lite (0,009 $), Inworld TTS-2 Flash et xAI (0,011 $), tts-1 (0,013 $) et Gemini 3.8 Flash (0,0135 $). La voix représente une petite part d'une minute d'appel sortant à côté de la téléphonie et du modèle de langage ; consultez [Twilio alternatives for AI voice agents](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026) pour les coûts des opérateurs. Les appels sortants avec des voix d'IA sont aussi soumis à des règles de consentement qu'aucun modèle vocal ne résout à votre place.

## Prix par minute, testés et non testés

Prix tirés de la page de chaque éditeur, consultée le 12 novembre 2026. Pour les prix par caractère, nous convertissons à environ 740 caractères par minute de parole, soit le débit médian des voix testées (il allait de 631 à 911 caractères par minute ; une voix rapide coûte donc plus par minute d'audio qu'une voix lente au même prix par caractère). Format téléphonique natif signifie que l'API peut renvoyer elle-même du mu-law (G.711) 8 kHz, de sorte que vous n'avez pas à convertir l'audio avant son entrée dans un appel.

| Voice API | Published price | About per minute | Native 8 kHz mu-law | Tested here |
| --- | --- | --- | --- | --- |
| [Inworld](https://inworld.ai/pricing) TTS-2 Flash / TTS-2 | $15 / $25 per 1M chars on demand; lower on plans | $0.011 / $0.018 (measured) | yes ([MULAW](https://docs.inworld.ai/api-reference/ttsAPI/texttospeech/synthesize-speech)) | yes, direct and TTS-2 via DeepInfra |
| [ElevenLabs](https://elevenlabs.io/pricing/api) Flash v2.5 / v4 Turbo | $0.04 per 1K chars | $0.036 / $0.030 (measured) | yes ([ulaw_8000](https://elevenlabs.io/docs/api-reference/text-to-speech/convert)) | yes |
| [Rime](https://rime.ai/pricing) Mist v3 / Coda | $0.030 / $0.050 per minute (Flex) | $0.030 / $0.050 | yes (audio/x-mulaw, both models in our test) | yes |
| [Cartesia Sonic](https://cartesia.ai/pricing) 3.6 | plans only: $49/mo for 1.25M credits, $299/mo for 8M (1 credit per char); overage $45 / $38 per 1M | $0.030 (measured, Startup rate) | yes ([pcm_mulaw](https://docs.cartesia.ai/api-reference/tts/bytes)) | yes |
| [Google Cloud TTS](https://cloud.google.com/text-to-speech/pricing) Chirp 3 HD | $30 per 1M chars, first 1M a month free | $0.023 (measured) | yes (MULAW, also in [streaming](https://cloud.google.com/text-to-speech/docs/create-audio-text-streaming)) | yes |
| [Deepgram](https://deepgram.com/pricing) Aura-2 / Flux TTS | $0.030 / $0.045 per 1K chars | $0.021 (measured) / $0.033 | yes ([mulaw](https://developers.deepgram.com/docs/tts-media-output-settings)) | Aura-2 yes, Flux TTS no |
| [Smallest.ai](https://smallest.ai/pricing/models) Lightning v3.1 Pro | $0.195 per 10K chars | $0.017 (measured) | yes (ulaw) | yes |
| [Fish Audio](https://docs.fish.audio/developer-guide/models-pricing/pricing-and-rate-limits) S2.1 Pro / Drama 3 | $15 per 1M UTF-8 bytes / $50 ($10 promo to Nov 30) | $0.012 (measured) / about $0.037 | no (pcm at 8 or 16 kHz) | S2.1 Pro on the free developer tier; Drama 3 no (no API credit) |
| [Google Gemini API](https://aistudio.google.com/docs/pricing) 3.8 Flash Lite TTS / Flash TTS | $6 / $9 per 1M audio tokens to Dec 31, 2026, then $12 / $18 | $0.009 / $0.0135 | only on the [Interactions API](https://aistudio.google.com/docs/speech-generation); generateContent returns 24 kHz PCM | yes |
| [OpenAI](https://developers.openai.com/api/docs/pricing) gpt-4o-mini-tts / tts-1 | $12 per 1M audio tokens / $15 per 1M chars | about $0.015 / $0.013 | no ([24 kHz PCM](https://developers.openai.com/api/docs/guides/text-to-speech) is the lowest) | yes |
| [DeepInfra](https://deepinfra.com/inworld-ai/realtime-tts-2) Inworld TTS-2 / [Kokoro-82M](https://deepinfra.com/hexgrad/Kokoro-82M) | $35 / $0.99 per 1M chars | $0.025 / $0.0007 | no (wav, pcm with sample rate) | yes |
| [xAI TTS](https://docs.x.ai/developers/model-capabilities/audio/text-to-speech) | $15 per 1M chars (same on [fal](${SRC.falXai})) | $0.011 | yes | via fal, not streamed |
| [MiniMax Speech 2.8 Turbo](https://platform.minimax.io/docs/guides/pricing-paygo) | $60 per 1M chars (same on [fal](${SRC.falMinimax})) | $0.038 | yes (pcmu) | via fal, not streamed |
| [Azure AI Speech](https://prices.azure.com/api/retail/prices) Neural / Neural HD | $15 / $22 per 1M chars | $0.011 / $0.016 | yes | no key |
| [Amazon Polly](https://aws.amazon.com/polly/pricing/) Standard / Neural / Generative | $4 / $16 / $30 per 1M chars | $0.003 / $0.012 / $0.022 | yes (mulaw) | no key |
| [Murf Falcon](https://murf.ai/api) | $0.01 per minute | $0.010 | yes (ULAW) | no key |
| [Speechify Simba 3.5](https://speechify.ai/pricing) | $10 to $15 per 1M chars by plan (promo to Nov 21) | $0.007 to $0.011 | yes (ulaw_8000) | no key |

*List prices from vendor pages, November 12, 2026. Per-minute figures for untested vendors are our conversion at about 740 characters per minute, not measured. Tested rows use the rate we measured on our own sentences. PlayHT and LMNT have shut down, and Hume announced in October that its TTS API ends on November 13, 2026.*

Si vous quittez une voix qui va disparaître, consultez [Hume AI alternatives](https://stork.ai/blog/hume-ai-alternatives-2026) et [PlayHT alternatives](https://stork.ai/blog/playht-alternatives-2026).

## Une faiblesse pour chacune

- **Inworld TTS-2 Flash :** pas de pilotage de la voix en langage naturel, qu'Inworld réserve à TTS-2 ([documentation du modèle](https://docs.inworld.ai/tts/tts-models)). Stork perçoit une commission sur les inscriptions à Inworld ; tenez-en compte face à notre enthousiasme ; les chiffres sont mesurés de la même manière pour chaque éditeur.
- **ElevenLabs Flash v2.5 :** la plus chère des trois voix les plus rapides, environ trois fois Inworld TTS-2 Flash et quatre fois Gemini 3.8 Flash Lite par minute au tarif public. Elle parle aussi plus vite que la plupart des voix : le même texte fait donc moins de minutes, mais chaque minute coûte plus cher.
- **Rime Mist v3 :** facturée par minute d'audio, à 0,030 $, soit presque trois fois Inworld TTS-2 Flash.
- **Inworld TTS-2 :** a mis 1,8 s pour terminer une phrase contre 0,7 s pour TTS-2 Flash, et via un revendeur (DeepInfra), elle a été dix fois plus lente à démarrer.
- **Smallest.ai Lightning v3.1 Pro :** un cran derrière les trois voix les plus rapides (0,30 s jusqu'au premier mot) et environ 50 % plus chère par minute qu'Inworld TTS-2 Flash (0,017 $ contre 0,011 $).
- **Fish Audio S2.1 Pro :** pas de sortie mu-law, 0,68 s jusqu'au premier mot et la plus lente des voix atteintes directement pour terminer une phrase (5,3 s en médiane). Nous n'avons pu tester que l'offre développeur gratuite, car notre compte n'a pas de crédit d'API payant ; l'offre payante peut gérer la file d'attente différemment.
- **Cartesia Sonic 3.6 :** pas de formule payante à l'usage simple ; il faut souscrire un forfait mensuel et le dépassement est désactivé par défaut. Chaque clip commence aussi par environ 0,14 s de silence.
- **Rime Coda :** la voix la plus chère à la minute de notre test (0,050 $) et la seule, avec tts-1, à présenter une erreur d'entité (un nom de famille mal orthographié sur trois essais).
- **ElevenLabs v4 Turbo :** le même prix que Flash v2.5, mais plus lent sur les deux critères ici : 0,47 s jusqu'au premier mot et 1,8 s pour terminer une phrase.
- **Google Cloud Chirp 3 HD :** environ 0,27 s de silence au début de chaque clip, et le streaming nécessite l'API de streaming gRPC de Google, et non l'appel REST classique.
- **Gemini 3.8 Flash Lite TTS :** environ 0,26 s de silence au début de chaque extrait, le prix double le 1er janvier 2027, et le mu-law 8 kHz n'est disponible que sur la nouvelle API Interactions de Google.
- **Deepgram Aura-2 :** la plus lente des voix atteintes directement pour terminer une phrase (4,3 s en médiane) et 0,72 s jusqu'au premier mot.
- **gpt-4o-mini-tts :** a omis la question finale d'une phrase lors des trois essais, et l'API n'offre pas de sortie 8 kHz ni mu-law.
- **Gemini 3.8 Flash TTS :** plus lente que Flash Lite sur toutes les mesures ici (0,99 s jusqu'au premier mot, 2,8 s par phrase) et 50 % plus chère par minute.
- **Kokoro-82M :** 0,43 s de silence avant chaque extrait, voix prédéfinies uniquement, pas de clonage, et aucun format téléphonique sur DeepInfra.
- **tts-1 :** la voix en streaming la plus lente à démarrer (1,25 s) et a mal lu un numéro de rue à chaque essai.
- **xAI TTS v1 :** via fal, elle ne fait pas de streaming ; nous n'avons donc pas pu mesurer son délai avant le premier audio ; sa propre API fait du streaming par WebSocket.
- **MiniMax Speech 2.8 Turbo :** parmi les plus chères par minute de notre test (0,038 $) et le fichier le plus lent via fal (4,6 s).

## Notre méthode de test

- **Phrases :** « Thanks for calling Riverside Dental, this is Ava. How can I help you today? » ; « I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right? » ; « Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477. » ; « Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM. » ; et une consigne de 215 caractères sur ce qu'il faut apporter et sur la manière de reprogrammer un rendez-vous. Texte brut, sans SSML, sans indications de prononciation, identique pour tous les modèles.
- **Requêtes :** une phrase par requête, 3 séries, les modèles passant à tour de rôle afin qu'un ralentissement du réseau les touche tous. Une requête de préchauffage non notée par modèle au préalable, pour que l'établissement de la connexion ne soit pas comptabilisé. Les points de terminaison de streaming ont été lus au fil de l'arrivée des données ; premier audio = de l'envoi de la requête aux premiers octets audio. Dix voix ont été testées dans un premier lot, sept (Cartesia, Deepgram, les deux modèles Rime, les deux modèles Inworld en direct, Google Cloud) environ quatre heures plus tard et deux (Smallest.ai, Fish Audio) ensuite, le tout le 12 novembre 2026 ; les sept plus rapides ont ensuite été relancées ensemble pour une série entrelacée à titre de vérification croisée. Google Cloud a été appelé via son API de streaming gRPC, les autres via HTTPS.
- **Voix et formats :** ElevenLabs « Adam », OpenAI « alloy », Google Gemini « Kore », Google Cloud « en-US-Chirp3-HD-Kore », Inworld « Ashley », Cartesia « Jacqueline », Deepgram « Thalia », Rime « astra », Smallest.ai « chelsea », Fish Audio la voix communautaire anglaise populaire « Sarah » avec une latence réglée sur « low », Kokoro « af_bella », les valeurs par défaut de fal pour MiniMax et xAI. Chaque fournisseur qui le propose a été sollicité pour du mu-law 8 kHz natif (ElevenLabs, Inworld en direct, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud) ; Fish Audio a envoyé du PCM 8 kHz et les autres de l'audio de 16 à 24 kHz.
- **Ligne téléphonique :** chaque clip a été filtré en passe-bande à 300-3.400 Hz, rééchantillonné à 8 kHz et encodé en G.711 mu-law, puis décodé, selon la même chaîne que dans notre [test audio téléphonique de reconnaissance vocale](https://stork.ai/blog/speech-to-text-phone-audio-test-2026). Cela simule une ligne téléphonique par logiciel, et non un véritable trajet opérateur avec perte de paquets.
- **Juges :** deux modèles de reconnaissance vocale issus de fournisseurs sans voix dans ce test, Whisper large-v3 et Cohere Transcribe (tous deux via fal), ont transcrit les 285 clips de la ligne téléphonique. La notation utilise le [normaliseur anglais de Whisper](https://github.com/openai/whisper/blob/main/whisper/normalizers/english.py) d'OpenAI, chaque chiffre étant compté comme un mot à part entière, de sorte que « 415-867-5309 » et « four one five... » obtiennent le même score ; les adresses e-mail sont comparées épelées. Une entité n'est considérée comme erronée que si les deux juges l'ont manquée, de sorte que l'erreur d'un seul juge n'est pas imputée à la voix. Les deux problèmes d'OpenAI signalés plus haut ont été revérifiés par une troisième transcription : Whisper large-v3 sur l'audio tts-1 en pleine qualité, et gpt-transcribe d'OpenAI sur les dernières secondes du clip gpt-4o-mini-tts.
- **Silence initial :** mesuré dans chaque clip comme le temps précédant le premier son plus fort que -40 dB.
- **Prix :** issus de la page de chaque fournisseur au 12 novembre 2026, avec lien dans le tableau. Prix par minute des voix testées = prix catalogue des caractères (ou, pour Gemini, des jetons audio indiqués par Google ; pour Rime, des minutes) divisé par les minutes d'audio renvoyées. Cartesia est tarifé au prix de son forfait Startup (49 $ pour 1,25M de caractères). OpenAI ne renvoie pas le nombre de jetons audio pour une requête en streaming ; gpt-4o-mini-tts utilise donc l'estimation d'OpenAI elle-même, soit 0,015 $ par minute.
- **Coût de ce test :** environ 1,70 $ d'appels d'API aux prix catalogue (consignés appel par appel ; la part de Google Cloud est suffisamment faible pour rester dans son quota gratuit mensuel, et celle de Deepgram provenait de crédits prépayés), plus plusieurs centaines de crédits du forfait ElevenLabs. Le banc d'essai se trouve dans le dépôt Stork à scripts/bench/tts_phone_bench.py, et l'audio brut ainsi que les transcriptions sont conservés afin que chaque chiffre puisse être vérifié.

## Ce que ce test ne vous dit pas

- **Le rendu sonore des voix.** Nous n'avons pas évalué le naturel, la chaleur ni l'accent. Écoutez la voix que vous comptez utiliser sur un vrai téléphone avant de la choisir.
- **Votre localisation et votre réseau.** Un seul client, en Californie. Les latences absolues dépendent de l'emplacement de vos serveurs ; comparez les modèles au sein de ce tableau.
- **Le streaming WebSocket.** Nous avons utilisé le point de terminaison de streaming HTTP de chaque fournisseur (gRPC pour Google Cloud). Les agents vocaux envoient souvent le texte par WebSocket au fur et à mesure que le modèle de langage l'écrit, ce qui peut déclencher l'audio plus tôt.
- **La taille de l'échantillon.** 5 phrases, 3 séries, une voix par modèle, anglais uniquement. Des écarts inférieurs à environ 0,05 s entre les voix les plus rapides relèvent de la variation d'une exécution à l'autre. Un modèle qui a lu correctement notre unique adresse e-mail peut tout de même buter sur la vôtre.
- **Fournisseurs non testés.** Azure, Amazon Polly, Murf, Speechify et Flux TTS de Deepgram n'ont pas été testés, faute de clés ou parce que nous n'avons pas inclus le modèle cette fois-ci, et Drama 3 de Fish Audio parce que notre compte n'a pas de crédit d'API payant. Un modèle absent n'est pas un moins bon modèle.

## Lectures associées

- Le [test audio téléphonique de reconnaissance vocale](https://stork.ai/blog/speech-to-text-phone-audio-test-2026) de Stork : 11 modèles de reconnaissance vocale sur l'audio d'appelants
- [les meilleures plateformes d'agents vocaux IA](https://stork.ai/blog/best-ai-voice-agent-platforms-2026), si vous préférez acheter l'agent vocal complet
- [Alternatives à Twilio pour les agents vocaux IA](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026) : numéros de téléphone et minutes opérateur
- [Les meilleures alternatives à ElevenLabs](https://stork.ai/blog/best-elevenlabs-alternatives-2026) pour la voix off et la narration plutôt que pour les appels téléphoniques

## Questions fréquentes

### Quelle API de synthèse vocale offre la latence la plus faible pour les appels téléphoniques ?

Dans le test de Stork de novembre 2026 portant sur 19 voix, trois ont commencé à parler en environ 0,2 seconde à la médiane : Inworld TTS-2 Flash (0,18 s), ElevenLabs Flash v2.5 (0,22 s) et Rime Mist v3 (0,24 s). Leur ordre a changé lors d'une seconde série entrelacée ; considérez-les donc comme à égalité. Venaient ensuite Inworld TTS-2 (0,28 s), Smallest.ai Lightning v3.1 Pro (0,30 s) et Cartesia Sonic 3.6 (0,33 s).

### Les voix IA lisent-elles correctement les numéros de téléphone et les adresses e-mail sur une ligne téléphonique ?

Dans l'ensemble, oui. Dans notre test, les 19 voix ont lu un numéro de téléphone, un prix, une date et une heure de telle sorte que deux modèles de reconnaissance vocale les ont transcrits correctement après passage sur une ligne téléphonique G.711 8 kHz, lors des trois séries. OpenAI tts-1 a mal lu le numéro de rue 1428 à chaque série, Rime Coda a mal orthographié un nom de famille lors d'une série, et gpt-4o-mini-tts a omis une question de clôture.

### Quelle est l'API de synthèse vocale la moins chère pour les appels téléphoniques ?

Parmi les voix que nous avons testées, le modèle ouvert Kokoro-82M sur DeepInfra a coûté environ 0,0007 $ par minute d'audio, Gemini 3.8 Flash Lite TTS de Google environ 0,009 $ et Inworld TTS-2 Flash environ 0,011 $ au prix catalogue du 12 novembre 2026. Chirp 3 HD de Google Cloud inclut 1M de caractères gratuits par mois. Parmi les fournisseurs non testés, Amazon Polly Standard affiche 4 $ par 1M de caractères.

### Quelles API TTS produisent de l'audio mu-law 8 kHz pour la téléphonie ?

Dans notre test ou selon leur propre documentation au 12 novembre 2026 : ElevenLabs (ulaw_8000), Inworld, Cartesia, Deepgram, Rime, Google Cloud TTS (y compris en streaming), Smallest.ai, Azure, Amazon Polly, Murf, Speechify, MiniMax et xAI. Fish Audio propose du PCM 8 kHz mais pas de mu-law. L'API TTS d'OpenAI n'en propose pas ; le TTS Gemini de Google ne le fait que sur son API Interactions.

### Cartesia est-il plus rapide qu'ElevenLabs ?

Pas dans notre test. Cartesia Sonic 3.6 a envoyé son premier audio aussi vite (0,21 s) mais a commencé chaque clip par environ 0,14 s de silence ; son premier mot audible est donc arrivé à 0,33 s, contre 0,22 s pour ElevenLabs Flash v2.5. À la minute, ils coûtent à peu près autant au prix catalogue : 0,030 $ pour Cartesia avec son forfait Startup et 0,036 $ pour ElevenLabs Flash v2.5.

### Combien coûte ElevenLabs par minute pour un agent téléphonique ?

Au prix catalogue de l'API de 0,04 $ par 1.000 caractères, ElevenLabs Flash v2.5 a coûté environ 0,036 $ par minute d'audio sur nos phrases de réceptionniste et v4 Turbo environ 0,030 $, car Flash parlait plus vite. Cela ne couvre que la voix, ni la téléphonie ni le modèle de langage.