Coût d'un agent vocal par minute : exemple chiffré

Le coût d'un agent vocal se calcule brique par brique, et chaque brique se facture selon sa propre unité : la minute d'audio, l'heure de session, le caractère de texte, le token du modèle, la minute de téléphonie. Il n'existe donc pas de prix « par minute d'agent » publié. Cette page donne les tarifs relevés le 15/11/2026 pour la reconnaissance et la synthèse, puis un exemple de calcul, annoncé comme tel.

En bref : à la minute d'audio, la reconnaissance en flux se situe, selon les tarifs relevés, entre environ 0,0025 $ et 0,0078 $ selon le fournisseur et le modèle. La synthèse se facture au caractère. Le modèle de langage et la téléphonie ne sont pas inclus dans les chiffres ci-dessous.

Les unités de facturation

Les pages lues ne facturent pas de la même façon :

• Deepgram facture la reconnaissance à la minute d'audio (pay as you go, dollars), et la synthèse Aura au caractère d'entrée, par tranche de 1 000 caractères.
• AssemblyAI facture la transcription en flux à la durée de la session WebSocket, par heure, et non à la durée de l'audio envoyé.
• Gladia facture en euros, à partir de 0,68 € par heure en self-serve, soit 0,0113 € par minute.

Une session ouverte mais silencieuse peut donc coûter quand la facturation porte sur la session. Il faut savoir laquelle s'applique à votre contrat.

Tarifs relevés le 15/11/2026

Le détail des modèles et des langues est dans le comparatif de reconnaissance et dans le comparatif de synthèse.

Exemple de calcul (exemple, pas une estimation)

Hypothèse : un agent reçoit 100 appels de 3 minutes par mois, soit 300 minutes d'audio. Chaque appel donne une réponse vocale de 1 000 caractères en moyenne, soit 100 000 caractères au total. Ces hypothèses sont inventées pour l'exemple ; mesurez les vôtres.

• Reconnaissance avec Deepgram Nova-3 multilingue : 300 × 0,0058 = 1,74 $.
• Reconnaissance avec AssemblyAI, en supposant que la session dure la même durée : 5 heures × 0,15 = 0,75 $.
• Synthèse avec Deepgram Aura-2 : 100 × 0,030 = 3,00 $.

Total de ces trois briques, avec le premier fournisseur de reconnaissance : environ 4,74 $ par mois. Ce total ne compte ni le modèle de langage, ni la téléphonie, ni le serveur qui fait tourner l'agent, ni les frais de conversion de devise, ni les taxes. Ces postes doivent être ajoutés selon votre fournisseur.

Ce qui fait varier le coût

1. La durée réelle des appels. Un appel qui reste ouvert après la fin de la conversation se facture sur les modèles à l'heure de session.
2. La longueur des réponses. Une réponse de 60 caractères ne coûte pas comme une réponse de 600.
3. Le modèle choisi. Un modèle plus récent peut coûter plus cher à la minute.
4. Les tarifs promotionnels. La page Deepgram affiche des prix barrés et une section « Promo pricing ». Vérifiez le tarif de votre contrat.

Ce que la page ne couvre pas

Le modèle de langage, la téléphonie (numéro, minutes entrantes et sortantes) et le transport de l'audio n'ont pas été relevés ici. Ils peuvent représenter une part importante du total. Pour la chaîne et ses postes, voir l'architecture d'un agent vocal et le branchement SIP.

Pour un montant de synthèse à jour, consultez la page de prix de synthèse vocale et la page de prix de transcription, toutes deux hébergées sur le réseau Cercle IA.