Tarifs de l’API text to speech d’OpenAI : voix, alternatives gratuites et limites

Un décryptage clair de ce que coûte l’API text to speech d’OpenAI par caractère et par token, du nombre de voix disponibles, des points où les limites de requêtes se font sentir, et des alternatives gratuites ou moins chères à tester avant d’engager un budget.

Tarifs de l’API text to speech d’OpenAI : voix, alternatives gratuites et limites
Cristian Da Conceicao

Vous avez collé quelques milliers de mots dans un point de terminaison text to speech, reçu en quelques secondes un MP3 propre, puis vous vous êtes demandé ce que cela vous coûtait réellement. C’est précisément la question qui amène les gens à rechercher tarifs de l’API text to speech d’OpenAI : voix, alternatives gratuites et limites. Les prix unitaires paraissent dérisoires, les unités de facturation changent d’un modèle à l’autre, et la liste des voix ainsi que les plafonds de requêtes sont dispersés sur plusieurs pages. Cet article rassemble les chiffres en un seul endroit, les transforme en coûts réels de projet, et montre quoi utiliser lorsque vous cherchez quelque chose de gratuit ou de moins cher.

💡 Remarque sur la précision : les tarifs de la synthèse vocale évoluent souvent. Les chiffres ci-dessous proviennent de listes de prix publiques relevées en novembre 2026. Considérez-les comme une estimation fiable, puis vérifiez-les sur la page tarifaire officielle d’OpenAI avant de fixer un budget.

Ce qu’est l’API TTS d’OpenAI

OpenAI propose la synthèse vocale via un point de terminaison audio qui reçoit un texte, un nom de modèle et un nom de voix, puis renvoie un fichier audio. Vous envoyez une requête depuis votre backend, vous recevez des octets MP3, WAV, Opus, AAC ou FLAC, et vous les lisez ou les stockez. L’API elle-même n’a pas d’interface de studio. Elle est conçue pour les développeurs qui veulent intégrer une sortie vocale dans des applications, des bots de support, des outils de lecture et des chaînes de production vidéo automatisées.

Trois noms de modèles reviennent dans presque toutes les discussions sur les tarifs :

  • tts-1 : le modèle rapide à faible latence, destiné à un usage en temps réel.
  • tts-1-hd : le frère à plus haute fidélité, plus lent et deux fois plus cher.
  • gpt-4o-mini-tts : le nouveau modèle orientable, qui accepte des instructions de style et est facturé à la quantité de tokens plutôt qu’au nombre de caractères.

Précision sur la disponibilité : les modèles de synthèse vocale d’OpenAI ne sont pas disponibles sur PicassoIA. Si vous voulez produire des voix off sans configurer d’API, la section ci-dessous indique les modèles text to speech que vous pouvez utiliser dès aujourd’hui.

Développeur tapant sur un clavier mécanique devant un ordinateur portable affichant une forme d’onde audio

Tarifs de l’API TTS d’OpenAI en 2026

Voici la grille tarifaire telle qu’elle est généralement rapportée pour les trois modèles de synthèse vocale.

ModèleUnité de facturationPrix indiquéIdéal pour
tts-1Par million de caractèresenviron 15 $Réponses en temps réel, brouillons, narration en volume
tts-1-hdPar million de caractèresenviron 30 $Narration soignée où les artefacts comptent
gpt-4o-mini-ttsPar million de tokens de texte en entrée plus par million de tokens audio en sortieenviron 0,60 $ en entrée et 12 $ en sortieVoix qui nécessitent une direction de ton et de style

Le premier point à remarquer est le décalage des unités de facturation. Les deux anciens modèles facturent les caractères envoyés. Le nouveau modèle facture les tokens en entrée et les tokens audio en sortie, ce qui le rend plus difficile à prévoir à partir d’un simple fichier texte. Une règle empirique souvent citée situe gpt-4o-mini-tts à environ 1,5 centime par minute d’audio généré, ce qui le place dans le même ordre de grandeur que tts-1-hd pour les longues narrations, et nettement en dessous pour les courts extraits.

Le coût réel des caractères

Un million de caractères paraît abstrait. Traduisons : à raison de cinq ou six caractères par mot en moyenne, cela représente environ 180 000 mots, qui se lisent à voix haute dans un rythme naturel pendant une vingtaine d’heures. Les anciennes offres reviennent donc approximativement à :

  • tts-1 : environ 75 centimes par heure d’audio finalisé.
  • tts-1-hd : environ 1,50 $ par heure d’audio finalisé.

C’est bon marché comparé à l’embauche d’un comédien de doublage, et bon marché comparé à certaines plateformes de voix premium. Cela cesse de l’être uniquement lorsque vous générez de l’audio en très gros volume ou que vous régénérez le même texte encore et encore pendant les tests.

Vue aérienne d’une calculatrice, d’un carnet rempli de colonnes de chiffres et d’écouteurs sur un bureau en bois

Exemples de budgets de projet

Pour rendre le tableau concret, voici quatre charges de travail courantes, estimées avec les tarifs anciens au caractère.

ProjetCaractères environCoût tts-1Coût tts-1-hd
Un article de blog de 1 000 mots6 000environ 0,09 $environ 0,18 $
Un script YouTube de 10 minutes9 000environ 0,14 $environ 0,27 $
Un livre audio de 60 000 mots360 000environ 5,40 $environ 10,80 $
Un bot de support prononçant 50 000 réponses de 300 caractères15 000 000environ 225 $environ 450 $

Les créateurs individuels ressentent rarement ces montants. Une équipe qui fait tourner un assistant vocal à grande échelle les ressentira chaque mois, et c’est là que comparer les alternatives devient rentable.

Les coûts cachés qu’on oublie

La facture du point de terminaison vocal n’est que rarement la totalité de la dépense. Prévoyez aussi ces postes :

  1. Les régénérations. Chaque nouvelle prise est facturée comme une requête distincte. Dix essais sur un paragraphe délicat coûtent dix fois plus qu’un seul.
  2. Le surcoût du découpage. Les longs textes doivent être coupés avant envoi, puis recollés, ce qui représente du temps d’ingénierie supplémentaire.
  3. Le post-traitement. Le nivellement du volume, le rognage des silences et l’ajout de musique se font généralement dans un outil séparé.
  4. Les nouvelles tentatives en cas de limitation. Un pic de trafic qui atteint un plafond peut produire des appels échoués que vous devez renvoyer.

Les voix disponibles avec la TTS d’OpenAI

La liste des voix est l’un des premiers éléments que les développeurs vérifient, et elle dépend du modèle choisi. Les listes publiques décrivent environ neuf voix intégrées pour tts-1 et tts-1-hd, et environ treize pour gpt-4o-mini-tts. Les voix les plus citées sont alloy, ash, coral, echo, fable, nova, onyx, sage et shimmer, avec quelques voix supplémentaires sur le nouveau modèle.

Femme parlant dans un microphone de studio dans une cabine d’enregistrement tapissée de mousse acoustique

Ce à quoi ressemblent les voix

La plupart des voix penchent vers un ton d’assistant neutre et sympathique, parfait pour les explications, les tutoriels et les chatbots. Elles sont moins convaincantes pour la fiction dramatique, les accents régionaux ou les personnages à forte personnalité. Les voix sont figées : vous ne pouvez pas importer un échantillon et demander un clonage personnalisé via ce point de terminaison.

Le contrôle du style sur le nouveau modèle

La différence pratique la plus importante avec gpt-4o-mini-tts est que vous pouvez décrire la manière de parler en langage courant, par exemple calme et rassurant, vif comme un présentateur de journal, ou chaleureux et lent pour une histoire du soir. Les anciens modèles ne changent de ton que lorsque vous modifiez le texte lui-même, ou le nom de la voix.

La prise en charge des langues

Les modèles de synthèse vocale d’OpenAI savent lire de nombreuses langues, mais les voix ont été réglées principalement en pensant à l’anglais. La sortie dans d’autres langues est compréhensible et souvent bonne, mais l’accent et le rythme peuvent glisser vers des schémas anglais. Si vous publiez en espagnol, en hindi ou en japonais, faites un test d’écoute avec un locuteur natif avant de vous engager.

Cinq microphones différents alignés sur une table en bois dans un studio baigné de soleil

Les limites qui affectent votre projet

Le prix n’est que la moitié de l’histoire. Ce sont les limites qui déterminent si votre conception fonctionne réellement.

LimiteCe qui est indiquéPourquoi c’est important
Longueur d’entréeEnviron 4 096 caractères par requêteLes longs scripts doivent être découpés en segments
Usage gratuitTrès faible ou nul, avec environ 3 requêtes par minute signalées sur les comptes gratuitsVous ne pouvez pas bâtir un produit sur des appels gratuits
Limites de débit payantesVarient selon le niveau du compte et sont signalées de façon incohérenteUn trafic irrégulier peut échouer sans file d’attente
Formats de sortieMP3, Opus, AAC, FLAC, WAV et PCMChoisissez celui qui convient à votre lecteur
Cycle de vie des modèlesCertaines listes mentionnent le retrait d’anciennes versions début 2027, non confirméVérifiez avant de construire autour de tts-1

Découper un long texte sans raccord audible

Comme une seule requête plafonne à près de quatre mille caractères, narrer un chapitre impose de le couper en morceaux. Coupez aux frontières de phrases ou de paragraphes, jamais au milieu d’une phrase, et gardez la même voix et le même modèle pour chaque segment. Assemblez ensuite les fichiers avec un fondu enchaîné court de 20 à 50 millisecondes. Couper au milieu d’une idée est la raison la plus courante pour laquelle une narration recollée sonne robotique.

Les limites de débit en pratique

Si vous lancez des traitements par lots, mettez vos requêtes en file d’attente et ajoutez un court délai avec une logique de nouvelle tentative qui ralentit en cas d’erreur. Considérez les limites publiées par niveau comme un plafond, et concevez votre chaîne de manière à ce qu’atteindre ce plafond ralentisse le traitement au lieu de faire échouer l’exécution.

Gros plan d’une section de potentiomètres de table de mixage de studio aux repères usés

Existe-t-il une option TTS d’OpenAI gratuite ?

Réponse courte : pas une sur laquelle vous pouvez compter pour un produit. Quelques éléments que l’on confond parfois avec une offre gratuite méritent d’être distingués.

  • La lecture à voix haute dans l’application ChatGPT. C’est une fonctionnalité grand public pour écouter les réponses. Elle ne fournit pas de fichiers téléchargeables via une API.
  • Crédit d’essai sur un nouveau compte. Les crédits promotionnels sont apparus et disparus au fil du temps. Ne comptez pas dessus, et vérifiez dans votre tableau de bord ce que vous avez réellement.
  • Comptes gratuits aux limites de débit strictes. Des retours suggèrent environ trois requêtes par minute sur l’offre gratuite, de quoi tester un script, mais pas de quoi faire tourner quoi que ce soit de réel.

La manière pratique de ne rien dépenser consiste à prototyper avec un outil text to speech gratuit, utilisable dans le navigateur, à choisir la voix qui vous plaît, puis seulement décider si une intégration API vaut la peine d’être payée.

Jeune homme en sweat-shirt gris, adossé à son fauteuil, regardant un ordinateur portable sur un bureau de startup

Alternatives gratuites et moins chères sur PicassoIA

Les modèles de synthèse vocale d’OpenAI ne sont pas disponibles sur PicassoIA. Pour des résultats comparables aujourd’hui, ces quatre modèles text to speech sont ceux à essayer. Chacun représente un compromis différent entre le nombre de voix, l’expressivité et la vitesse.

AlternativePoint fortIdéal pour
Gemini 3.1 Flash TTS30 voix, plus de 70 langues, balises d’émotion et prompts de styleVoix off multilingues expressives
ElevenLabs V3Diction naturelle et émotionnelleNarration, personnages et récits
MiniMax Speech 2.8 HDRendu de qualité studioNarration longue et soignée
Inworld TTS 1.5 MaxSortie rapide dans 15 languesGénération vocale rapide et en gros volume

Pourquoi quitter un flux de travail API

Si votre objectif est d’obtenir des fichiers audio plutôt qu’une fonctionnalité de produit en direct, un flux de travail dans le navigateur supprime toute la couche technique. Vous collez le texte, choisissez une voix, écoutez, ajustez et téléchargez. Pas de scripts de découpage, pas de gestion de file d’attente et pas de factures comptées en tokens.

Podcasteur avec un casque, montant de l’audio sur un ordinateur portable dans un appartement lumineux

Obtenir des résultats similaires sur PicassoIA

Le meilleur point de départ pour la plupart des lecteurs est Gemini 3.1 Flash TTS. Il offre 30 voix et plus de 70 langues, ainsi que des balises expressives que les anciens modèles de synthèse vocale d’OpenAI ne proposent pas. Voici le déroulement.

  1. Ouvrez la page du modèle. Rendez-vous sur la page de Gemini 3.1 Flash TTS sur PicassoIA et repérez le champ de saisie du texte.
  2. Collez votre script. Le champ de texte accepte jusqu’à 4 000 octets, donc une courte section d’article ou quelques paragraphes tiennent à chaque exécution. Découpez les scripts plus longs par paragraphe.
  3. Choisissez une voix. La voix par défaut est Kore. Parmi les autres options figurent Puck, Charon, Fenrir, Aoede et Zephyr. Générez la même phrase avec trois voix et comparez-les avant de vous décider.
  4. Définissez la langue. Choisissez un code comme en-US, en-GB, es-ES, fr-FR ou hi-IN pour que la prononciation et le rythme correspondent à votre public.
  5. Rédigez un prompt de style. Utilisez le champ de prompt en langage courant : « Dites ceci sur un ton calme et professionnel » ou « Parlez avec une chaleur enthousiaste ». Cela remplace le contrôle de style que vous auriez avec un modèle API plus récent.
  6. Ajoutez des balises expressives. Insérez des balises comme [whispering], [laughing], [sigh] ou [shouting] directement dans le texte pour une diction au niveau de la phrase.
  7. Générez, écoutez, ajustez. Téléchargez le résultat lorsqu’il sonne juste. Si une phrase cloche, modifiez la ponctuation et relancez.

💡 Conseil sur les paramètres : des phrases courtes et des virgules là où vous voulez une respiration donnent le rythme le plus naturel. Les longues phrases sans virgule ont tendance à sonner précipitées.

Quand choisir un autre modèle

  • Choisissez ElevenLabs V3 lorsque la performance émotionnelle compte le plus, par exemple pour la fiction audio ou les dialogues de personnages.
  • Choisissez MiniMax Speech 2.8 HD pour une narration longue et soignée, où une tonalité stable sur plusieurs minutes compte.
  • Choisissez Inworld TTS 1.5 Max lorsque vous avez besoin d’un délai de livraison rapide sur un gros lot de courts clips.

Plan large d’un bureau moderne de production audio au crépuscule, avec écrans et enceintes de studio

Choisir la bonne option pour vous

Voici une liste de décision, fondée sur ce que vous construisez réellement.

  • Vous faites tourner un assistant vocal en temps réel à grande échelle. La voie API a du sens. Calculez le nombre de caractères par mois, comparez avec d’autres fournisseurs, et gardez une voix de secours prête.
  • Vous réalisez des vidéos YouTube, des podcasts ou des cours. Vous n’avez pas du tout besoin d’une API. Générez les fichiers dans un navigateur, gardez la meilleure prise et passez à la suite.
  • Vous publiez en plusieurs langues. Privilégiez un modèle à large choix de langues, comme Gemini 3.1 Flash TTS, et testez chaque langue avec un auditeur natif.
  • Vous voulez une voix personnalisée ou clonée. Les voix figées du point de terminaison d’OpenAI sont une limite. Regardez plutôt les options de clonage vocal.
  • Vous êtes encore en phase d’expérimentation. Commencez gratuitement et dans le navigateur. Ne dépensez qu’une fois que vous savez quelle voix et quelle durée il vous faut.

Les erreurs qui font perdre de l’argent

  1. Choisir tts-1-hd par défaut. Faites d’abord un test A/B. Pour un son de téléphone ou un fond sonore, le niveau moins cher est souvent indiscernable.
  2. Régénérer des chapitres entiers. Corrigez un seul paragraphe, pas le fichier complet.
  3. Négliger le nettoyage du texte. Supprimez les URL, les symboles parasites et la mise en forme étrange avant d’envoyer le texte. Des données de mauvaise qualité entraînent des prises inutiles.
  4. Oublier les nombres et les acronymes. Écrivez « deux mille vingt-six » ou épelez les acronymes lorsque la prononciation compte.
  5. Ne pas faire écouter à un locuteur natif. Une voix qui vous semble correcte peut sonner faux pour quelqu’un qui parle la langue au quotidien.

Créateur tenant un smartphone avec des écouteurs sur la terrasse ensoleillée d’un café

Questions fréquentes

Combien coûte la synthèse vocale d’OpenAI ?

Les tarifs généralement relevés sont d’environ 15 $ par million de caractères pour tts-1 et d’environ 30 $ par million de caractères pour tts-1-hd. Le nouveau modèle gpt-4o-mini-tts est facturé à la quantité de tokens, à environ 0,60 $ par million de tokens de texte en entrée et 12 $ par million de tokens audio en sortie. Consultez la page tarifaire d’OpenAI pour les tarifs en vigueur.

Quelle est la limite de caractères par requête ?

Les sources publiques citent le plus souvent environ 4 096 caractères par requête. Découpez tout texte plus long en segments aux frontières de phrases.

OpenAI propose-t-il une synthèse vocale gratuite via l’API ?

Il n’existe pas de quota gratuit fiable. Les comptes gratuits sont signalés avec des limites de débit très basses, et tout crédit d’essai doit être vérifié dans votre propre tableau de bord. Pour une génération vocale gratuite, un outil dans le navigateur reste la voie la plus pratique.

Combien de voix propose-t-il ?

Les listes décrivent environ neuf voix sur tts-1 et tts-1-hd, et environ treize sur gpt-4o-mini-tts. Gemini 3.1 Flash TTS sur PicassoIA en propose 30.

Puis-je cloner ma propre voix avec cet outil ?

Pas via le point de terminaison standard de synthèse vocale. Il utilise un ensemble fixe de voix intégrées. Si le clonage est une exigence, choisissez un modèle conçu pour cela.

tts-1 restera-t-il disponible ?

Certaines listes tierces mentionnent le retrait programmé d’anciennes versions début 2027, mais cela n’a pas pu être confirmé dans la documentation officielle. Vérifiez avant de construire un produit à long terme autour de ce modèle.

Essayez votre propre voix off dès aujourd’hui

Vous avez désormais les chiffres : quelques centimes pour un article de blog, quelques dollars pour un livre audio, et une facture mensuelle qui ne grandit que si vous faites tourner du trafic en temps réel à grande échelle. La meilleure prochaine étape ne coûte rien. Prenez un paragraphe de votre propre script, collez-le dans Gemini 3.1 Flash TTS et générez-le avec trois voix différentes. Testez ensuite le même paragraphe sur ElevenLabs V3 et MiniMax Speech 2.8 HD, et comparez-les à l’oreille.

Vous préférez tout parcourir au même endroit ? Rendez-vous sur picassoia.com/en/all-models pour essayer l’ensemble des modèles text to speech, associer vos voix off à des images IA, et mener à bien votre prochain projet sans écrire une seule ligne de code.

Partager cet article

Choisissez votre langue

FreeCréez des images et vidéos IAGratuit, sans carte bancaireGénérations gratuites pour commencerSeedance 2.5 Lite inclusCommencez gratuitement