Comparatif
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.
Mis à jour le
Cette page compare trois API de reconnaissance vocale en flux continu, c'est-à-dire qui transcrivent pendant que la personne parle. Ce sont les trois éditeurs dont les pages officielles ont été lues le 15/11/2026. Le site est édité par IArche, qui édite ALMA ; IArche ne fournit aucune de ces API. Les caractéristiques et les prix sont ceux affichés par chaque éditeur, sans correction.
En bref : pour une reconnaissance en français en flux, Deepgram est le seul des trois dont la page liste explicitement le français dans un modèle de flux. AssemblyAI affiche un tarif au temps de session, mais sa page de streaming ne cite pas le français. Gladia ne cite le français que dans un exemple de configuration. Aucun des trois ne publie de délai de latence chiffré pour le streaming.
Ce qui compare vraiment
Trois critères décident du choix :
- La langue. Le français doit figurer dans la liste des langues du modèle de flux, et non seulement dans un exemple.
- La façon de facturer. Une API facture à la minute, une autre à l'heure de session, une autre à l'audio envoyé. Ce n'est pas la même chose.
- La gestion des tours. Certains modèles détectent eux-mêmes la fin de la parole, ce qui simplifie l'agent (voir la détection de fin de parole).
Les trois API
Deepgram
Deepgram propose un modèle de flux appelé Flux STT, présenté comme un modèle de dernière génération conçu pour les agents vocaux, avec détection de fin de tour intégrée. Il existe en version anglaise (flux-general-en) et en version multilingue (flux-general-multi), qui inclut le français (fr). Le modèle Nova-3 existe aussi en version multilingue et en versions monolingues, avec le français listé.
Prix affichés sur la page, en dollars par minute, pay as you go (la page affiche aussi un tarif « Growth ») :
| Modèle | Prix par minute (pay as you go) |
|---|---|
| Flux STT Multilingual | 0,0078 $ |
| Nova-3 Multilingual | 0,0058 $ |
| Nova-3 Monolingual | 0,0048 $ |
La section est intitulée « Promo pricing » et affiche des prix barrés. La page ne porte pas de date, et sa FAQ cite d'anciens prix. Relevé le 15/11/2026 : retenez le tableau, et vérifiez le tarif applicable à votre contrat.
AssemblyAI
La transcription en flux passe par une connexion WebSocket. L'authentification se fait par une clé dans l'en-tête Authorization. Le serveur envoie des messages Begin, Turn (avec end_of_turn: true pour un tour terminé) et Termination. La page cite universal-3-6-pro comme modèle, sans liste complète, et ne donne pas de liste de langues : le français n'y est donc ni listé ni mentionné. La documentation complète doit être consultée pour le vérifier.
La page de tarifs, datée du 10/11/2026 selon son propre affichage, indique :
- Universal-3.6 Pro Realtime : 0,45 $ par heure ;
- Universal-Streaming Multilingual : 0,15 $ par heure.
La facturation porte sur la durée de la session WebSocket, et non sur la durée de l'audio envoyé. Une session se ferme automatiquement après 3 heures.
Gladia
Gladia ouvre une session par un appel POST /v2/live, qui renvoie une adresse WebSocket. Le client envoie l'audio en binaire ou en JSON encodé en base64. Une session ne peut pas dépasser 3 heures, et jusqu'à 8 canaux audio sont pris en charge. Pour la transcription en direct, la page cite le modèle solaria-1.
La page ne donne pas de liste de langues. Le français apparaît dans un exemple de configuration (languages: ["fr"]), ce qui ne prouve pas qu'il figure dans la liste officielle. La page indique aussi des « low-latency partial results », mais précise que les benchmarks cités portent sur l'asynchrone et « neither establishes streaming latency ».
La page de tarifs affiche des prix en euros uniquement :
- forfait self-serve : à partir de 0,68 € par heure, soit 0,0113 € par minute ;
- les options d'audio intelligence en temps réel se facturent en plus (par exemple la traduction à 0,05 € par heure) ;
- l'offre Enterprise est sur devis.
Aucune date n'est visible sur cette page.
Tableau de synthèse
| Critère | Deepgram | AssemblyAI | Gladia |
|---|---|---|---|
| Modèle de flux cité | Flux STT, Nova-3 | universal-3-6-pro | solaria-1 |
| Français listé dans la page | Oui (modèles de flux multilingues) | Non cité | Dans un exemple seulement |
| Détection de tour intégrée | Oui (Flux) | Messages end_of_turn |
Non décrit sur la page lue |
| Unité de prix | Par minute | Par heure de session | Par heure ou par minute, en euros |
| Devise affichée | Dollars | Dollars | Euros |
| Latence chiffrée sur la page | Non | Non | Non |
Exemple de calcul (exemple, pas une estimation)
Supposons 300 minutes de parole par mois, soit 100 appels de 3 minutes. Au tarif Deepgram Nova-3 Multilingual pay as you go, cela fait 300 × 0,0058 = 1,74 $ par mois. Avec le tarif AssemblyAI Universal-Streaming Multilingual, 300 minutes font 5 heures, soit 5 × 0,15 = 0,75 $. Les deux modèles ne sont pas équivalents en qualité, et ce calcul ne compte ni la synthèse, ni le modèle de langage, ni la téléphonie. Pour la synthèse, voir la comparaison des API de synthèse ; pour le détail des coûts, voir le coût par minute.
Comment choisir
- Si le français en flux est une exigence, commencez par Deepgram et vérifiez le modèle exact dans sa documentation.
- Si vous voulez une facturation à la session, AssemblyAI est à comparer, mais testez le français avant de vous engager.
- Si vos tarifs doivent être en euros, Gladia affiche des prix dans cette devise, sur une page qui n'indique pas de date.
Pour la transcription d'enregistrements déjà faits, et les tarifs correspondants, voir le guide de prix de transcription.
Sources
Pages consultées pour écrire cet article :