Trois API dominent le marché de la synthèse vocale pour les développeurs. Cet article compare ElevenLabs, OpenAI et Gemini sur la latence, l’expressivité, la gamme de langues et le coût réel par heure d’audio, puis montre comment tester des voix, ajouter de la musique et vérifier le résultat par transcription.
Choisir une API de synthèse vocale semble simple, jusqu’à l’arrivée de la facture, ou jusqu’au premier utilisateur qui trouve que la voix ressemble à un GPS d’il y a dix ans. Trois noms dominent la liste de présélection pour les développeurs : ElevenLabs, OpenAI et Google Gemini. Chacun remporte un combat différent. L’un sonne le plus humain, un autre est le moins cher à faire tourner toute la journée, et le troisième parle plus de langues que la plupart des équipes n’en auront jamais besoin.
Cet article les compare sur ce qui décide des projets réels : la latence, la qualité vocale, le prix par heure d’audio, la gamme de langues et l’effort d’intégration. Vous verrez aussi où tester des voix dans le navigateur avant d’écrire une seule ligne de code, et comment ajouter de la musique et de la transcription pour que l’audio final soit prêt à être publié.
Chaque fournisseur présente une démo soignée, et cette démo vous apprend presque rien. Ce qui compte, c’est le comportement de l’API sur vos scripts, à votre volume, dans votre budget de latence. Trois contrôles séparent un bon choix d’une erreur coûteuse.
Pour un agent vocal ou un assistant embarqué, le chiffre qui compte est le délai avant le premier son, et non la durée totale de génération. Une réponse qui commence en quelques centaines de millisecondes ressemble à une conversation. Une réponse qui commence après deux secondes ressemble à une mauvaise ligne téléphonique. Les tâches par lots, comme les livres audio ou la narration de cours, s’en moquent, car personne n’attend le chapitre neuf.
Décidez dans quel camp vous vous trouvez avant de comparer quoi que ce soit d’autre. Les projets en temps réel doivent présélectionner les modèles rapides et plus légers. Les projets par lots doivent investir dans la qualité et laisser le traitement tourner pendant la nuit.
Les courtes phrases de démonstration sont faciles. Les tests exigeants ne le sont pas. Faites passer chaque candidat sur le même script, et incluez quelques pièges :
Enregistrez les fichiers audio et comparez-les à l’aveugle. Vos oreilles désigneront souvent un autre gagnant que la page marketing.
Une voix parfaite en test ne sert à rien si l’API vous bride pendant un lancement. Vérifiez les limites de requêtes simultanées de votre offre, la façon dont le fournisseur gère les pics de trafic, et les codes d’erreur reçus lorsqu’une requête échoue. Mettez en place des nouvelles tentatives avec un court délai progressif, et mettez en cache toute réplique que vous générez plus d’une fois, comme un message d’accueil ou une invite de confirmation. Stockez les fichiers audio au lieu de les régénérer à chaque requête. La mise en cache seule peut réduire la facture de façon surprenante pour les applications qui répètent les mêmes phrases toute la journée.
Les fournisseurs facturent selon trois unités différentes : par caractère, par token et par minute d’audio. Cela rend les pages tarifaires difficiles à comparer d’un coup d’œil. La solution consiste à tout convertir en coût par heure d’audio fini, ce que vous achetez réellement. La section de comparaison ci-dessous fait exactement cela.
💡 Astuce : Les tarifs changent souvent. Les chiffres de cet article proviennent des grilles tarifaires publiées au moment de la rédaction, alors vérifiez chaque montant sur la page tarifaire du fournisseur avant d’engager un budget.
ElevenLabs a bâti sa réputation sur des voix qui sonnent jouées plutôt que lues. Pour la narration, le travail de personnages et tout ce où l’émotion porte le message, c’est encore le nom auquel les autres API sont comparées.
ElevenLabs V3 est le modèle expressif phare. Les tarifs publiés se situent autour de 0,10 $ pour 1 000 caractères, avec la prise en charge de plus de 70 langues et jusqu’à 5 000 caractères par requête. Ce sont les commandes qui le rendent adapté aux projets longs :
Les champs « previous and next text » sont sous-estimés. Lorsque vous générez un long script par morceaux, transmettre les phrases voisines empêche la voix de réinitialiser son ton à chaque frontière, ce qui trahit le plus souvent une narration synthétique.
Le clonage vocal mérite aussi une mention. ElevenLabs vous permet de créer une voix à partir d’un enregistrement, ce qui est pratique pour un narrateur de marque qui doit sonner de la même façon dans des centaines de vidéos. Ne clonez que les voix pour lesquelles vous avez une autorisation écrite, et conservez cette autorisation au dossier. Les clients et les plateformes la demandent souvent, et elle vous protège si une voix est un jour contestée.
Flash v2.5 sacrifie un peu de richesse au profit de la vitesse. Les fiches annoncent environ 75 ms de latence du modèle, 32 langues et environ 0,05 $ pour 1 000 caractères, soit la moitié du prix de V3. Il accepte aussi jusqu’à 40 000 caractères par requête, donc les longs documents nécessitent moins d’appels.
Utilisez Flash pour les robots d’assistance, les réponses en direct et les assistants embarqués. Utilisez V3 quand un humain écoutera de près. Un schéma courant consiste à faire tourner les deux : Flash pour la réponse en direct, V3 pour la version soignée de la même réplique, celle qui figure dans une vidéo marketing. Si vous cherchez un outil multilingue stable entre les deux, v2 Multilingual mérite un essai.
L’offre vocale d’OpenAI, construite autour de gpt-4o-mini-tts, est le choix économique qui vous surprend rarement. Le tarif affiché est de 0,60 $ par million de tokens de texte en entrée et de 12 $ par million de tokens audio en sortie, qu’OpenAI estime à environ 1,5 cent par minute d’audio.
Le modèle propose 13 voix intégrées et accepte une consigne en langage courant sur la manière de parler, par exemple « chaleureuse, posée, comme un animateur de radio de nuit ». Il convient donc bien lorsque vous avez besoin rapidement de quelques personnages cohérents, sans aucune configuration de voix. L’intégration est aussi la plus simple des trois si votre ensemble d’outils fait déjà appel à OpenAI pour le texte ou la transcription, puisque vous réutilisez le même compte, le même SDK et la même facturation.
Le modèle de synthèse vocale d’OpenAI ne fait pas partie du catalogue de PicassoIA à ce jour, mais ses modèles de reconnaissance vocale, eux, y figurent. Nous y revenons dans la section sur la transcription.
Gemini 3.1 Flash TTS est le modèle de synthèse vocale expressive de Google. L’offre payante est affichée à 1,00 $ par million de tokens de texte en entrée et à 20,00 $ par million de tokens audio en sortie. L’audio est facturé à 25 tokens par seconde, donc un clip de 60 secondes représente 1 500 tokens de sortie, soit environ trois centimes. Le mode batch divise les deux tarifs par deux.
Le modèle propose 30 voix et plus de 70 codes de langue. Deux commandes façonnent le rendu. Un prompt de style en langage courant règle le rythme, l’accent et l’humeur, par exemple « parlez lentement, avec assurance ». Les balises en ligne modifient des phrases précises :
[sigh] Another Monday. [whispering] But the launch is today.
Des balises comme [whispering], [laughing], [shouting] et [extremely fast] permettent à un seul script de porter plusieurs humeurs sans le découper en requêtes distinctes. Pour les dialogues de jeu, les publicités et les vidéos explicatives, cela fait gagner un temps de montage réel.
La localisation est le point fort de ce modèle. Un script publicitaire en anglais peut être adapté en espagnol, en français et en japonais, puis doublé en changeant le code de langue à chaque requête, tandis que le même prompt de style garde une énergie cohérente d’un marché à l’autre. Une relecture native reste indispensable pour les expressions idiomatiques et les noms de marque, mais la première version audible arrive en quelques minutes plutôt qu’en plusieurs jours.
Au moment de la rédaction, Google propose ce modèle en préversion dans l’API Gemini. Les préversions peuvent modifier leur comportement ou leurs tarifs sans beaucoup de préavis. Épinglez le nom du modèle dans votre configuration, gardez un fournisseur de secours branché et relancez votre script de test après chaque mise à jour.
Les chiffres valent mieux que les adjectifs lorsqu’on choisit un fournisseur. Ce tableau rassemble les limites et les tarifs publiés utilisés dans cet article.
| Caractéristique | ElevenLabs V3 | ElevenLabs Flash v2.5 | OpenAI gpt-4o-mini-tts | Gemini 3.1 Flash TTS |
|---|---|---|---|---|
| Idéal pour | Narration expressive | Réponses en temps réel | Audio en volume à petit budget | Multilingue et rendu par balises |
| Langues | 70+ | 32 | Surtout en anglais | 70+ codes de langue |
| Voix | Grande bibliothèque, clonage | Grande bibliothèque, clonage | 13 intégrées | 30 préconfigurées |
| Entrée maximale par requête | 5 000 caractères | 40 000 caractères | 2 000 tokens | 4 000 octets |
| Prix affiché | ~0,10 $ pour 1 000 caractères | ~0,05 $ pour 1 000 caractères | ~0,015 $ par minute | ~0,03 $ par minute |
| Contrôle du rendu | Stabilité, style, vitesse | Stabilité, vitesse | Consignes en langage courant | Prompt de style et balises en ligne |
Pour rendre les prix comparables, supposons que 1 000 caractères représentent environ une minute de parole. C’est une règle empirique courante pour un rythme de lecture normal.
| Fournisseur et modèle | Une heure d’audio | 100 heures d’audio |
|---|---|---|
| OpenAI gpt-4o-mini-tts | environ 0,90 $ | environ 90 $ |
| Gemini 3.1 Flash TTS | environ 1,80 $ | environ 180 $ |
| ElevenLabs Flash v2.5 | environ 3,00 $ | environ 300 $ |
| ElevenLabs V3 | environ 6,00 $ | environ 600 $ |
L’écart est grand. V3 coûte environ sept fois plus cher qu’OpenAI pour la même durée. Payer cette prime en vaut-il la peine dépend de qui écoute. Pour une vidéo de formation interne, probablement pas. Pour un film de marque ou un livre audio avec un public fidèle, absolument.
Si vous hésitez, commencez par le modèle le moins cher qui réussit votre test à l’aveugle, puis ne passez à un modèle supérieur que pour les répliques où les auditeurs remarquent la différence. La plupart des produits finissent par utiliser deux modèles : l’un pour les réponses en direct, l’autre pour les contenus soignés pré-générés.
Au-delà de ces trois options, MiniMax Speech 2.8 HD et Inworld Realtime TTS 2 sont des alternatives crédibles, et Chatterbox Turbo est une option rapide signée Resemble AI.
Avant d’intégrer une API à votre produit, écoutez d’abord les voix. PicassoIA vous permet de lancer Gemini 3.1 Flash TTS dans le navigateur, pour tester le ton, la langue et les balises en quelques minutes. Notez que l’API développeur de PicassoIA sert actuellement des modèles d’image et de vidéo : utilisez donc le navigateur pour choisir une voix, et l’API de chaque fournisseur pour les appels en production.
[whispering], [laughing] ou [sigh] dans le texte là où le rendu doit changer.💡 Astuce : Modifiez un seul réglage par essai. Si vous changez en même temps la voix, le prompt de style et les balises, vous ne saurez pas quelle modification a fait la différence.
Deux remarques pratiques avant de passer à grande échelle. D’abord, gardez chaque morceau bien en dessous de la limite de 4 000 octets, car un texte non anglais utilise plus d’octets par caractère qu’un texte anglais : un paragraphe en espagnol ou en japonais atteint donc le plafond plus vite que prévu. Ensuite, réutilisez le même prompt de style sur chaque morceau d’un script, sans quoi le rythme variera d’un clip à l’autre.
Pour comparer avec l’autre option de premier plan, faites passer le même extrait par ElevenLabs V3 avec sa stability réglée sur 0,5 et son style bas. Une écoute à l’aveugle des deux clips vous en apprendra plus que n’importe quel benchmark.
Une voix off seule est rarement publiée telle quelle. La plupart des productions finies ont besoin d’un fond musical, et toutes ont besoin d’une vérification finale que la voix dit bien ce que dit le script. Les deux étapes s’intègrent dans le même flux de travail.
Un instrumental discret sous la narration ajoute du fini et masque les petits silences entre les clips. PicassoIA propose plusieurs modèles musicaux pour en générer un à partir d’un prompt textuel :
Demandez un instrumental sans voix, au tempo lent et à faible énergie. Mixez-le 15 à 20 décibels en dessous de la voix pour que les mots restent clairs.
Voici une boucle de contrôle qualité simple. Générez la parole, puis transcrivez-la en texte et comparez le résultat à votre script d’origine. Les noms mal prononcés, les nombres omis et les mots perdus apparaissent alors comme des écarts. GPT-4o Transcribe et Gemini 3 Pro gèrent tous deux ce cas sur PicassoIA, et GPT-4o Mini Transcribe est l’option plus légère pour les vérifications rapides.
La même boucle fonctionne en production. Prélevez une petite part de l’audio généré, transcrivez-la, et signalez les clips qui s’écartent du texte source. Cela coûte peu et détecte les problèmes avant vos clients.
La meilleure façon de choisir une API de synthèse vocale est d’écouter. Prenez un vrai paragraphe de votre projet et faites-le passer par Gemini 3.1 Flash TTS, ElevenLabs V3 et Flash v2.5 sur Picasso IA. Ajoutez un fond musical avec Lyria 3 Pro, puis transcrivez le résultat avec GPT-4o Transcribe pour confirmer que chaque mot a bien été conservé.
Picasso IA génère aussi des images et des vidéos, donc le même compte peut produire la miniature, la voix off et la bande-son de votre prochaine publication. Ouvrez la plateforme, collez un script et lancez la génération. Dix minutes de test répondront à la question qu’une dizaine d’articles comparatifs ne peuvent pas trancher.
Choisissez votre langue
