Agent vocal IA : architecture, latence, téléphonie
Agents vocaux et chaîne voix : reconnaissance, synthèse, téléphonie. Architecture, latence, comparatifs d'API et information de l'appelant.
Un agent vocal est un programme qui entend une personne, comprend ce qu'elle demande, décide quoi répondre et parle à voix haute, au téléphone ou dans une page web. Ce site s'adresse aux développeurs, aux responsables informatiques et aux dirigeants techniques de PME qui veulent en mettre un en place. Il part des briques techniques : ce qu'elles font, ce qu'elles coûtent en temps et en argent, ce que disent les documentations officielles, et ce qu'il faut prévoir avant de mettre l'appelant en relation avec une machine.
Les briques d'un agent vocal
Un agent vocal combine plusieurs morceaux. Le premier est la reconnaissance vocale (transcription de la parole en texte, en flux continu). Vient ensuite le modèle qui décide de la réponse, en général un grand modèle de langage. Puis la synthèse vocale transforme la réponse en son. Entre les deux, la détection de fin de parole (VAD) dit quand l'appelant a fini de parler. Enfin, la téléphonie relie l'agent au réseau téléphonique par SIP, le protocole de signalisation des appels sur IP.
Une autre voie existe : un modèle voix-à-voix prend l'audio en entrée et produit l'audio en sortie, sans passer par un texte intermédiaire visible. Les pages de ce site comparent les deux voies, puis détaillent chaque brique.
Les pages de ce site
| Votre question | La page |
|---|---|
| Chaîne en cascade ou modèle voix-à-voix ? | Architecture d'un agent vocal |
| Pourquoi la réponse arrive-t-elle en retard ? | Latence d'un agent vocal |
| Comment relier l'agent à un numéro ? | Brancher un agent vocal sur le téléphone SIP |
| Quand l'agent considère-t-il que l'on a fini de parler ? | Détection de fin de parole |
| Quelle API de reconnaissance en flux continu ? | API de reconnaissance vocale temps réel |
| Quelle API de synthèse en temps réel ? | Synthèse vocale temps réel |
| Combien coûte une minute d'appel ? | Coût d'un agent vocal par minute |
| Une API voix-à-voix : que dit la documentation ? | Gemini Live, fiche technique |
| Un framework open source ? | Agent vocal open source |
| Quand passer la main à un humain ? | Transférer un appel à un humain |
| Comment vérifier qu'il tient la route ? | Évaluer un agent vocal |
| Faut-il dire à l'appelant qu'il parle à une IA ? | Prévenir l'appelant |
Ce que disent les sources lues
Les documentations officielles décrivent les fonctions, les formats audio et les options de réglage. Elles donnent rarement des délais en millisecondes. Quand une page n'annonce aucun chiffre, ce site n'en écrit pas. Les prix cités ont été relevés sur les pages officielles le 15/11/2026, avec la date de chaque page quand elle est affichée.
Qui édite ce site
Cercle IA Tech est édité par IArche, à Bayonne, qui édite aussi ALMA, une plateforme IA pour PME. Les outils cités sur ce site ne sont pas édités par IArche ; leurs caractéristiques et leurs prix ont été relevés sur leurs pages officielles le 15/11/2026.
Toutes les pages
Guides
- Architecture d'un agent vocal IA : les deux voies
Chaîne reconnaissance, modèle, synthèse, ou modèle voix-à-voix : ce que chaque choix implique pour le contrôle, le coût et la latence.
- Brancher un agent vocal sur le téléphone SIP
Numéro, opérateur, trunk SIP et pont vers l'agent vocal : le chemin d'un appel entrant, avec ce que disent les docs de Twilio et Telnyx.
- Coût d'un agent vocal par minute : exemple chiffré
Coût de la reconnaissance et de la synthèse à la minute ou au caractère, avec un exemple de calcul annoncé comme tel. Prix relevés le 15/11/2026.
- Détection de fin de parole (VAD) : fonctionnement
VAD, détection de tour de parole et interruptions dans un agent vocal : ce que fait Silero VAD et les réglages décrits par LiveKit Agents.
- Évaluer un agent vocal IA : méthode et mesures
Jeu d'appels de test, compréhension, durée, abandon, transfert et relecture humaine : une méthode pour évaluer un agent vocal avant mise en service.
- Latence d'un agent vocal : où se perd le temps
Réseau, reconnaissance, modèle, synthèse : où se perd le temps dans un agent vocal, quels leviers existent, et ce que les docs officielles mesurent.
- Prévenir l'appelant qu'il parle à une IA
Article 50 du règlement européen sur l'IA : l'information des personnes qui interagissent avec un système d'IA, texte lu et renvois utiles.
- Transférer un appel d'un agent vocal à un humain
Quand l'agent doit passer la main, transfert SIP REFER à froid ou assisté, message d'attente : une méthode de décision et ce que la doc décrit.
Comparatifs
- Agent vocal open source : LiveKit, Pipecat, Vocode
Comparatif de trois frameworks open source pour agents vocaux : licence, langage, fournisseurs intégrés et téléphonie, d'après leurs dépôts.
- API de reconnaissance vocale temps réel : 3 comparées
Deepgram, AssemblyAI et Gladia en flux continu : modèles, français, prix relevés le 15/11/2026 sur leurs pages officielles.
- Synthèse vocale temps réel : 3 API comparées
ElevenLabs, Cartesia et Deepgram Aura : ce que disent leurs docs du flux audio en sortie, du français et des prix relevés le 15/11/2026.
Fiches
- Gemini Live : une API voix-à-voix, fiche technique
Gemini Live : entrée et sortie audio en PCM, connexion WebSocket, langues, et ce que la page officielle ne chiffre pas sur la latence.