Synthèse vocale temps réel : 3 API comparées

La synthèse vocale transforme la réponse de l'agent en son. En temps réel, ce qui compte est le moment où le premier morceau d'audio arrive, et non la fin de la phrase. Cette page compare trois éditeurs d'après leurs pages officielles lues le 15/11/2026 : ElevenLabs, Cartesia et Deepgram (modèles Aura). Le site est édité par IArche, qui édite ALMA ; IArche ne fournit aucune de ces API.

En bref : les trois pages décrivent un flux audio en sortie. Aucune ne publie de délai de latence en millisecondes pour la synthèse en flux. Le français figure dans les langues de Cartesia et de Deepgram Aura. Pour ElevenLabs, la page lue ne liste pas les langues.

Ce que chaque éditeur dit du flux

ElevenLabs

Le point d'accès de flux est un POST sur /v1/text-to-speech/{voice_id}/stream. La réponse est décrite comme un flux de données audio. Le format se choisit avec le paramètre output_format, dont la valeur par défaut est mp3_44100_128. Les options incluent des formats MP3 et PCM, mais aussi ulaw_8000 et alaw_8000, utiles pour la téléphonie (voir le branchement SIP).

Le réglage de latence optimize_streaming_latency est marqué comme déprécié, avec des niveaux de 0 à 4. Le niveau 1 offre, d'après la page, « about 50% of possible latency improvement of option 3 », et le niveau 2 « about 75% ». La page précise que « the best possible final latency varies by model ». Il n'y a donc pas de chiffre en millisecondes.

Trois paramètres allongent le délai, selon la page : use_speaker_boost, style (si la valeur n'est pas 0) et apply_language_text_normalization, dont la page dit qu'il peut « heavily increase the latency of the request ».

Cartesia

Cartesia présente Sonic 3.6 (sonic-3.6) comme son modèle « le plus rapide et le plus naturel », disponible en version générale. Deux identifiants existent : sonic-3.6, qui suit le dernier snapshot stable, et sonic-3.6-2026-08-27, figé. La version sonic-preview est réservée aux tests, selon la page.

La page indique que Sonic 3.6 prend en charge 44 langues, dont le français (fr). Elle ne donne pas de chiffre de latence : le mot « plus rapide » n'est pas mesuré.

Deepgram Aura

Les modèles Aura suivent le format [modèle]-[voix]-[langue]. La série Aura-2 est présentée avec plusieurs voix par langue. Le français est listé, avec deux voix : aura-2-agathe-fr (féminine) et aura-2-hector-fr (masculine), en fr-fr. La page mentionne une option « Text-to-Speech Stream », sans en détailler le fonctionnement, et ne donne aucune donnée de latence.

Tarifs affichés

Relevés le 15/11/2026 sur la page de tarifs Deepgram. Le prix s'applique au texte d'entrée, par tranche de 1 000 caractères, en dollars :

Modèle	Pay as you go	Growth
Aura-2	0,030 $	0,027 $
Aura-1	0,0150 $	0,0135 $

La page ne porte pas de date pour ces tarifs. Les tarifs d'ElevenLabs et de Cartesia n'ont pas été relevés dans cette session. Pour une comparaison de prix de synthèse, consultez la page de prix de synthèse du réseau, qui n'a pas été lue pour cette page.

Tableau de comparaison

Critère	ElevenLabs	Cartesia	Deepgram Aura
Flux audio en sortie	Oui (endpoint `/stream`)	Non détaillé sur la page lue	Option « Stream » citée, peu détaillée
Français listé	Non cité sur la page lue	Oui (`fr`, 44 langues)	Oui (`fr-fr`, deux voix)
Chiffre de latence publié	Proportions relatives seulement	Aucun	Aucun
Formats téléphonie	`ulaw_8000`, `alaw_8000`	Non relevé	Non relevé
Prix relevé	Hors de cette session	Hors de cette session	0,030 $ par 1 000 caractères (Aura-2)

Exemple de calcul (exemple, pas une estimation)

Supposons 100 appels par mois, avec 1 000 caractères de réponse vocale par appel, soit 100 000 caractères. Avec Aura-2 au tarif pay as you go, cela fait 100 × 0,030 = 3,00 $ par mois. Ce calcul ne compte pas la reconnaissance vocale, le modèle de langage ni la téléphonie. Pour l'ensemble des coûts, voir le coût par minute d'un agent vocal.

Comment comparer en pratique

Tester le premier octet. Mesurez le délai entre l'envoi du texte et l'arrivée du premier morceau d'audio, sur votre réseau et depuis votre région. Les pages ne le donnent pas.
Écouter le français. Faites lire les mêmes phrases métier (chiffres, adresses, noms propres) par chaque voix.
Vérifier le format. Si vous passez par le téléphone, le format 8 kHz doit être disponible.
Regarder le prix au texte réel. Un tarif par caractère se calcule sur les réponses que l'agent prononce, pas sur le texte de votre base de connaissances.

Pour la reconnaissance en flux qui précède cette étape, voir la comparaison des API de reconnaissance vocale. Pour la mention à faire quand la voix est générée par une IA, voir prévenir l'appelant.