OpenAI facture 15 $ par million de caractères pour tts-1, 30 $ pour tts-1-hd et environ 0,015 $ la minute pour gpt-4o-mini-tts. Ce détail présente chaque voix, calcule les coûts réels pour un article et un livre audio, et met ces chiffres en regard d’ElevenLabs.
L’API de synthèse vocale d’OpenAI fait partie des solutions les moins chères pour donner une voix à une application, à un cours ou à un podcast, et sa grille tarifaire tient en une phrase : 15 $ par million de caractères pour tts-1, 30 $ par million pour tts-1-hd, et environ 0,015 $ par minute d’audio pour le plus récent gpt-4o-mini-tts. ElevenLabs facture 0,10 $ pour 1 000 caractères sur ses modèles haut de gamme, soit plus de trois fois le tarif de tts-1-hd. Que cet écart en vaille la peine dépend des voix, des langues et du degré de naturel recherché dans la diction. Cette page détaille chaque tarif OpenAI, présente les voix modèle par modèle, passe en revue des exemples de coûts réels et met les chiffres côte à côte avec ElevenLabs, pour que vous puissiez choisir avant d’écrire la moindre ligne de code.
💡 Calcul rapide : une minute de narration représente environ 900 caractères. Cela coûte environ 0,014 $ sur tts-1, 0,027 $ sur tts-1-hd et 0,09 $ sur ElevenLabs v3 ou Multilingual v2.
OpenAI facture ses deux modèles de synthèse vocale classiques au nombre de caractères en entrée, et non à la seconde d’audio. Vous payez le texte que vous envoyez, donc une lecture lente et dramatique coûte le même prix qu’une lecture rapide. La page du modèle tts-1-hd indique que le point de terminaison de synthèse vocale (v1/audio/speech) est son seul point d’accès pris en charge, et ce même point de terminaison sert tts-1 et gpt-4o-mini-tts.
La grille tarifaire publique est courte. Il n’existe ni frais d’abonnement ni dépense minimale : vous ajoutez du crédit à votre compte, et chaque requête le débite.
| Modèle | Prix | Pour 1 000 caractères | Idéal pour |
|---|---|---|---|
| tts-1 | 15 $ pour 1 M de caractères | 0,015 $ | Applications et assistants à faible latence |
| tts-1-hd | 30 $ pour 1 M de caractères | 0,030 $ | Audio finalisé, écouté plusieurs fois |
| gpt-4o-mini-tts | 0,60 $ pour 1 M de tokens de texte plus 12 $ pour 1 M de tokens audio | Au token, environ 0,015 $ la minute | Diction pilotable et expressive |
Le modèle HD coûte exactement le double. Pour un script classique, cela reste de la petite monnaie, et c’est pourquoi la vraie décision porte rarement sur l’argent. La page du modèle tts-1-hd indique des limites de requêtes comprises entre 2 500 et 10 000 par minute selon votre palier d’utilisation, bien au-delà de ce que la plupart des applications envoient.
Le modèle le plus récent sort du schéma par caractère. Il facture 0,60 $ par million de tokens de texte en entrée et 12 $ par million de tokens audio en sortie, ce qui revient à environ 0,015 $ la minute d’audio généré. On arrive presque au même niveau que tts-1, mais il ajoute un champ instructions dans lequel vous décrivez la diction en langage courant, par exemple « parlez lentement, comme un professeur patient ». Les modèles tts-1 n’offrent aucun contrôle de ce type.
Un appel minimal avec le SDK Python officiel ressemble à ceci :
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="tts-1-hd",
voice="coral",
input="Your order shipped this morning and should arrive on Friday.",
response_format="mp3",
) as response:
response.stream_to_file("order-update.mp3")
Remplacez le nom du modèle par gpt-4o-mini-tts et ajoutez une chaîne instructions pour piloter la diction. Chaque requête accepte jusqu’à 4 096 caractères en entrée, donc les longs scripts doivent être découpés en morceaux, puis réassemblés.
Le nombre de voix est le point sur lequel les trois modèles d’OpenAI diffèrent le plus, et il compte davantage que ce que la plupart des pages tarifaires laissent entendre. Un modèle bon marché avec une seule voix qui ne vous plaît pas n’est pas une bonne affaire.
Les deux modèles classiques partagent les mêmes neuf voix : alloy, ash, coral, echo, fable, onyx, nova, sage et shimmer. C’est une palette suffisante pour un narrateur, un assistant chaleureux ou un annonceur à la voix plus grave, mais pas pour une distribution de personnages bien distincts.
gpt-4o-mini-tts propose 13 voix. Il conserve les neuf d’origine et ajoute ballad, verse, marin et cedar. OpenAI recommande marin ou cedar lorsque vous recherchez la meilleure qualité.
| Modèle | Voix | Noms |
|---|---|---|
| tts-1 | 9 | alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
| tts-1-hd | 9 | Les mêmes neuf |
| gpt-4o-mini-tts | 13 | Les neuf plus ballad, verse, marin, cedar |
Quelques détails pratiques s’appliquent aux trois modèles :
Les deux modèles utilisent les mêmes neuf voix et la même entrée, donc changer de modèle revient à modifier un seul mot dans votre code. Le choix est donc facile à tester : générez un paragraphe avec chacun et écoutez-le sur l’appareil que votre public utilise réellement.
OpenAI présente tts-1 comme l’option à plus faible latence et tts-1-hd comme l’option de meilleure qualité. Attendez-vous à une diction plus fluide et plus stable sur les longs passages avec le modèle HD, et à ce que l’écart soit le plus facile à entendre au casque. Sur le haut-parleur d’un téléphone, dans une application bruyante, beaucoup d’auditeurs ne le remarqueront pas.
💡 Règle empirique : pour les contenus finalisés, le calcul est simple. Générer un livre audio de 80 000 mots en HD plutôt qu’en version standard ajoute environ 7,20 $ à la facture. Optez donc par défaut pour le HD dès que les auditeurs écouteront l’audio plus d’une fois.
Tous les chiffres ci-dessous supposent un débit de narration de 150 mots par minute et environ 6 caractères par mot, espaces compris, soit 900 caractères par minute. Vos propres scripts varieront, donc considérez ces valeurs comme des estimations budgétaires, et non comme des factures.
| Tâche | tts-1 | tts-1-hd | gpt-4o-mini-tts | ElevenLabs Flash | ElevenLabs v3 ou Multilingual v2 |
|---|---|---|---|---|---|
| Article de 1 000 mots (6 000 caractères) | 0,09 $ | 0,18 $ | environ 0,10 $ | 0,30 $ | 0,60 $ |
| Livre audio de 80 000 mots (480 000 caractères) | 7,20 $ | 14,40 $ | environ 8,00 $ | 24,00 $ | 48,00 $ |
| 1 million de caractères par mois | 15 $ | 30 $ | environ 16,70 $ | 50 $ | 100 $ |
Transformer un article de blog en version audio coûte moins de 10 centimes sur tts-1 et moins de 25 centimes sur HD. Même au tarif haut de gamme d’ElevenLabs, cela fait 60 centimes : pour une narration occasionnelle, l’écart de prix est presque sans importance. Choisissez selon le son, pas selon le coût.
Un livre complet est l’exemple où l’écart devient visible : 14,40 $ sur tts-1-hd contre 48 $ sur les modèles haut de gamme d’ElevenLabs, pour environ neuf heures d’audio. Un narrateur humain coûte bien plus cher par heure finalisée que n’importe quelle case de ce tableau, donc chaque option présentée ici ne représente qu’une fraction du prix d’une réservation de studio.
À l’échelle d’une application, les paliers se distinguent. Un produit qui fait lire un million de caractères par mois paie de 15 $ à 100 $ selon le fournisseur et le modèle. Surveillez les relances : si vous régénérez un clip sur trois, ajoutez un tiers à chaque montant. Mettez en cache l’audio des phrases récurrentes, comme les salutations et les messages d’erreur, car un même texte n’a jamais besoin d’être payé deux fois.
Le tableau des coûts indique qui est le moins cher. Il ne dit pas qui sonne le mieux pour votre usage, ni ce qui se passe lorsque votre script dépasse ce qu’une seule requête permet.
| Critère | OpenAI tts-1-hd | ElevenLabs Flash v2.5 | ElevenLabs Multilingual v2 et v3 |
|---|---|---|---|
| Prix API pour 1 000 caractères | 0,030 $ | 0,05 $ | 0,10 $ |
| Langues | Environ 99 | 32 | 29 (v2), plus de 70 (v3) |
| Caractères max par requête | 4 096 | 40 000 | 10 000 (v2), 5 000 (v3) |
| Voix intégrées | 9 | Grande bibliothèque et clonage vocal | Grande bibliothèque et clonage vocal |
| Accent sur la vitesse | Latence plus faible sur tts-1 | Environ 75 ms annoncées par le fournisseur | Qualité supérieure, plus lent |
Les chiffres d’ElevenLabs proviennent de comparatifs tarifaires de la mi-2026. L’entreprise met souvent à jour ses offres, donc vérifiez les montants actuels sur sa page tarifaire avant de fixer un budget.
Sur l’API, tts-1 se situe à 0,015 $, tts-1-hd à 0,030 $, ElevenLabs Flash et Turbo à 0,05 $, et Multilingual v2 et v3 à 0,10 $. ElevenLabs Flash coûte donc environ 1,7 fois plus cher que tts-1-hd, et ses modèles haut de gamme environ 3,3 fois plus. Les abonnements regroupent en revanche des crédits : le plan gratuit inclut 10 000 crédits par mois, avec un crédit par caractère sur les modèles standard et un demi-crédit sur Flash et Turbo.
Le prix ne fait pas tout. ElevenLabs a bâti sa réputation sur une diction expressive et naturelle, et Eleven v3 ajoute une palette émotionnelle élargie ainsi que des dialogues à plusieurs locuteurs dans plus de 70 langues. La réponse d’OpenAI passe par la pilotabilité : gpt-4o-mini-tts accepte des instructions en langage courant sur l’accent, le ton, la vitesse et l’émotion, ce qu’aucun des deux modèles tts-1 ne permet.
Si vous avez besoin de personnages qui sonnent différemment d’une scène à l’autre, la bibliothèque de voix d’ElevenLabs et le clonage vous laissent plus de marge. Si vous voulez une seule voix fiable et bon marché, OpenAI l’emporte en matière de coût. Le seul test honnête consiste à faire lire le même paragraphe par les deux modèles et à l’écouter.
Les limites de requêtes façonnent votre code. OpenAI plafonne l’entrée à 4 096 caractères et Eleven v3 à 5 000, donc un long script nécessite un découpage et un moyen de garder la voix cohérente entre les morceaux. Flash v2.5 accepte 40 000 caractères, ce qui réduit le nombre de raccords pour les longues lectures.
Les licences diffèrent aussi. Le plan gratuit d’ElevenLabs n’inclut pas de licence commerciale, et les droits commerciaux commencent avec le premier plan payant. OpenAI exige que vous indiquiez aux utilisateurs finaux que la voix est générée par une IA. Lisez les deux ensembles de conditions avant de livrer de l’audio à vos clients.
Avant de payer au caractère, vous pouvez écouter le versant ElevenLabs de cette comparaison dans votre navigateur. La collection de synthèse vocale de PicassoIA répertorie 24 modèles, dont ElevenLabs v3, Flash v2.5, Turbo v2.5 et Multilingual v2, ainsi que des options de MiniMax, Google, Inworld et Resemble AI. Collez un script, choisissez une voix, et l’audio revient en quelques secondes.
en ; utilisez es ou fr pour l’espagnol ou le français.Pour un test A/B rapide, faites passer le même paragraphe dans Flash v2.5 pour la vitesse, MiniMax Speech 2.8 HD pour une qualité de studio, Gemini 3.1 Flash TTS pour ses 30 voix et ses plus de 70 langues, et Inworld TTS 1.5 Max pour des voix off multilingues rapides. Comparez ensuite les résultats à un échantillon tts-1-hd généré depuis votre propre compte.
La voix n’est pas souvent le seul élément audio. Une vidéo de produit a besoin d’une piste musicale, et un podcast a besoin d’une transcription pour les sous-titres et la recherche.
Générer de la musique. Pour une piste d’ambiance, essayez MiniMax Music 2.6, Lyria 3 Pro, ElevenLabs Music ou Stable Audio 2.5. Décrivez le genre, l’ambiance et le tempo en une phrase, puis laissez le modèle esquisser le morceau.
Transcrire l’audio. Pour transformer une narration finalisée ou un entretien en texte, utilisez GPT-4o Transcribe, GPT-4o Mini Transcribe ou Gemini 3 Pro. Une transcription sert à la fois de sous-titres, de notes d’émission et de relecture : si la transcription déforme un mot, un auditeur le fera probablement aussi.
Un enchaînement simple relie le tout : écrivez le script, générez la voix, ajoutez une piste musicale, puis transcrivez le mixage final pour vérifier le texte.
Les tableaux tarifaires ne vont que jusqu’à un certain point. La façon la plus rapide de trancher entre OpenAI et ElevenLabs consiste à entendre votre propre script dans plusieurs voix et à observer ce que coûte chaque option à votre volume. Ouvrez PicassoIA, collez un paragraphe dans un modèle de synthèse vocale, puis comparez-le à un extrait tts-1-hd. Ajoutez ensuite une piste musicale, transcrivez le résultat et générez quelques images photoréalistes pour la couverture de votre épisode ou de votre vidéo. Tout ce qu’il faut pour tester un flux de travail audio et visuel complet se trouve au même endroit : expérimentez librement et gardez la combinaison qui sonne le mieux.
Choisissez votre langue
