Une comparaison côte à côte des tarifs des API de speech to text, avec chaque tarif converti en coût par heure, de 0,04 $ à 1,44 $. Découvrez les factures mensuelles pour 100 et 1 000 heures audio, les frais supplémentaires qui gonflent les factures et comment tester d’abord la précision sur vos propres enregistrements.
Une heure d’audio peut coûter 0,04 $ à transcrire avec une API speech to text, et 1,44 $ avec une autre. Même enregistrement, mêmes mots, un écart de 36 fois sur la facture. Cette disparité justifie une comparaison côte à côte des tarifs des API speech to text avant d’intégrer quoi que ce soit en production. Cet article convertit chaque tarif dans la même unité, classe les API de transcription les moins chères et indique ce que coûte chacune pour 100 et 1 000 heures audio par mois. Vous verrez aussi les frais supplémentaires qui doublent discrètement une facture, les cas où les modèles bon marché perdent en précision, et comment tester trois modèles de transcription sur PicassoIA sans écrire une seule ligne de code.
💡 Tous les tarifs ci-dessous sont les prix publics au paiement à l’usage annoncés par les fournisseurs, et non des prix PicassoIA. Les fournisseurs les révisent souvent : vérifiez le montant actuel sur la page tarifaire du fournisseur avant de vous engager.
Presque tous les fournisseurs facturent à la durée de l’audio, et non au nombre de mots ou à la taille du fichier. Cela paraît simple jusqu’à ce que vous compariez les offres. Certains publient des dollars par minute, d’autres par heure, et quelques-uns dissimulent le chiffre utile derrière une règle de facturation. La première étape consiste donc à ramener tout à la même unité.
La conversion tient en une ligne de calcul : multipliez le tarif à la minute par 60 pour obtenir le coût horaire. Un tarif de 0,003 $ la minute équivaut à 0,18 $ l’heure. Un tarif de 0,024 $ la minute équivaut à 1,44 $ l’heure. Les fournisseurs choisissent l’unité qui fait paraître le chiffre le plus petit, alors faites la conversion vous-même avant toute comparaison.
C’est à grande échelle que les décimales deviennent coûteuses. Un tarif de 0,0025 $ la minute paraît anodin, jusqu’à ce que vous réalisiez qu’une archive de 500 heures représente 30 000 minutes, et que cette même archive coûte 75 $ chez un fournisseur et 720 $ chez un autre.
Transcrire un fichier terminé (en traitement par lots, parfois appelé pré-enregistré) est la voie économique. La transcription en direct (streaming) coûte davantage, car le fournisseur doit maintenir des ressources GPU disponibles pendant que vous parlez. L’écart n’est pas négligeable :
Si vous transcrivez des enregistrements après coup, ne payez jamais les tarifs du streaming. Importez le fichier et attendez quelques secondes. Réservez le streaming aux sous-titres en direct, aux agents vocaux et à tout cas où une personne attend les mots en temps réel.
Voici chaque option majeure convertie dans les deux mêmes unités et triée de la moins chère à la plus chère. Les tarifs correspondent au premier palier d’utilisation, en anglais, sans options supplémentaires.
| Fournisseur et modèle | Par heure | Par minute | Usage idéal |
|---|---|---|---|
| Groq Whisper Large v3 Turbo | 0,04 $ | ~0,0007 $ | Gros arriérés, vitesse brute |
| AssemblyAI Universal-2 | 0,15 $ | 0,0025 $ | Traitement par lots à faible coût avec options |
| GPT-4o Mini Transcribe | 0,18 $ | 0,003 $ | Usage général, budgets serrés |
| AssemblyAI Universal-3.5 Pro | 0,21 $ | 0,0035 $ | Audio difficile à faible coût |
| Deepgram Nova-3 (pré-enregistré) | ~0,26 $ | ~0,0043 $ | Outils pour développeurs, gros volumes |
| GPT-4o Transcribe | 0,36 $ | 0,006 $ | Accents et audio confus |
| Google Cloud Speech-to-Text V2 | 0,96 $ | 0,016 $ | Équipes sur Google Cloud |
| Azure Speech (standard) | 1,00 $ | ~0,0167 $ | Écosystème Microsoft |
| AWS Transcribe (palier 1) | 1,44 $ | 0,024 $ | Pipelines natifs AWS |
💡 Whisper large v3 sur l’API d’OpenAI est à 0,006 $ la minute, soit le même tarif que GPT-4o Transcribe. Quand le prix est identique, le modèle le plus récent est le choix le plus sûr pour les accents et le bruit de fond.
Quatre options se situent sous 0,25 $ l’heure d’audio. Groq fait figure d’exception : Whisper Large v3 Turbo hébergé à 0,04 $ l’heure fonctionne des centaines de fois plus vite que le temps réel, si bien qu’une heure d’audio se termine en bien moins d’une minute. Le compromis est un ensemble de fonctionnalités plus réduit, avec moins d’options intégrées que chez les fournisseurs spécialisés.
AssemblyAI Universal-2 à 0,15 $ l’heure est l’option la moins chère qui propose encore une boîte à outils complète de fonctionnalités optionnelles, et son modèle Universal-3.5 Pro ajoute de la précision pour 0,06 $ de plus par heure. GPT-4o Mini Transcribe coûte 0,18 $ l’heure et représente le juste milieu pour les étudiants, les créateurs indépendants et les petites équipes qui veulent une bonne précision sans gérer un ensemble de comptes chez plusieurs fournisseurs.
Google Cloud, Azure et AWS facturent entre 0,96 $ et 1,44 $ l’heure pour une transcription standard. Cela représente 6 à 36 fois le tarif du palier économique. Vous ne payez pas pour de meilleurs mots. Vous payez pour les certifications de conformité, la résidence régionale des données, l’authentification unique et la commodité d’une facture unique qui existe déjà dans votre système comptable.
Si votre entreprise fonctionne déjà sur l’un de ces clouds et que le service juridique exige que l’audio reste au sein de celui-ci, la prime se justifie. Sinon, cette prime est une taxe sur l’habitude. Le mode de traitement par lots à tarif réduit de Google fait exception, car il ramène le coût près du palier intermédiaire, autour de 0,18 à 0,24 $ l’heure.
Les tarifs à la minute ne deviennent concrets qu’une fois multipliés par votre charge de travail. Ce tableau utilise 100 et 1 000 heures d’audio par mois, sur la base des tarifs de référence uniquement.
| Option | 100 heures par mois | 1 000 heures par mois |
|---|---|---|
| Groq Whisper Large v3 Turbo | 4 $ | 40 $ |
| AssemblyAI Universal-2 | 15 $ | 150 $ |
| GPT-4o Mini Transcribe | 18 $ | 180 $ |
| AssemblyAI Universal-3.5 Pro | 21 $ | 210 $ |
| Deepgram Nova-3 (pré-enregistré) | ~26 $ | ~258 $ |
| GPT-4o Transcribe | 36 $ | 360 $ |
| Google Cloud V2 | 96 $ | 960 $ |
| Azure Speech | 100 $ | 1 000 $ |
| AWS Transcribe | 144 $ | 1 440 $ |
Imaginez un réseau qui publie 50 épisodes de deux heures par mois. Cela fait 100 heures d’audio. L’option la moins chère coûte 4 $ et la plus chère 144 $, soit un écart de 140 $ par mois. À ce volume, la facture n’est pas le problème. Une seule heure passée à corriger une mauvaise transcription coûte plus que la facture mensuelle complète sur la plupart de ces options. Choisissez donc d’abord selon la précision et le flux de travail, et utilisez le prix comme critère de départage.
Passons maintenant à une équipe support qui enregistre 1 000 heures d’appels par mois. L’écart entre l’option la moins chère et la plus chère atteint 1 400 $ par mois, soit 16 800 $ par an. Les options intermédiaires, entre 150 et 360 $ par mois, ont désormais un réel poids de négociation, et c’est dans cette fourchette que tester deux ou trois fournisseurs sur votre propre audio se rentabilise en un seul après-midi.
Le prix affiché ne correspond qu’à la transcription de base, rien de plus. Les factures réelles se composent du tarif de base et de tout ce que vous activez.
Les étiquettes de locuteurs, le filtrage des propos grossiers, la suppression des données personnelles, la détection de langue, les balises de sentiment et les résumés sont généralement facturés séparément. Voici des exemples de frais courants :
Activez trois ou quatre de ces options et un tarif de base de 0,15 $ peut doubler, voire davantage. Calculez toujours le prix de l’ensemble exact de fonctionnalités dont votre produit a besoin, et non le chiffre affiché en vitrine.
💡 Les offres gratuites vous permettent de tester avant de payer. Deepgram propose un crédit de départ de 200 $, AssemblyAI accorde un crédit gratuit, Google inclut 60 minutes gratuites par mois, et AWS inclut 60 minutes gratuites par mois pendant la première année.
Les règles de facturation comptent autant que les options payantes. AWS Transcribe facture un minimum de 15 secondes par requête : une application de commandes vocales qui envoie des clips de 3 secondes paie donc cinq fois la durée d’audio qu’elle envoie réellement. Les limites de taille de fichier comptent aussi : les points d’accès de transcription d’OpenAI acceptent des fichiers allant jusqu’à environ 25 Mo, si bien que les longs enregistrements doivent être découpés, et les segments qui se chevauchent vous font payer deux fois les secondes en commun.
Économiser 30 $ par mois sur la transcription est une mauvaise affaire si le fournisseur le moins cher coûte quatre heures supplémentaires à votre développeur. Vérifiez la présence d’un SDK pour votre langage, de webhooks pour les tâches terminées, de limites de débit raisonnables et de messages d’erreur prévisibles avant de vous engager. À 75 $ de coût horaire d’ingénierie, quatre heures de galère d’intégration équivalent à dix mois d’économies de 30 $.
Un prix à l’heure ne dit rien du nombre de mots erronés. Deux fournisseurs au même tarif peuvent vous laisser des quantités très différentes de corrections, et la correction se paie en temps humain.
Les modèles à bas coût ont tendance à flancher aux mêmes endroits : accents marqués, deux personnes qui parlent en même temps, enregistrements de terrain avec du vent ou des machines, noms de produits, acronymes et nombres énoncés à l’oral. Chaque erreur devient une correction à effectuer.
Faites le calcul de la relecture. À un taux horaire de 30 $, un correcteur coûte 0,50 $ la minute. Chaque tranche de 10 minutes de correction supplémentaires par heure d’audio ajoute 5 $, soit plus que toute la facture AWS Transcribe pour cette heure. Une transcription qui coûte 0,18 $ et demande 20 minutes de retouches revient plus cher qu’une transcription à 0,36 $ qui n’en demande que 5.
Le seul test fiable reste votre propre audio. Choisissez trois fichiers représentatifs, passez chacun dans trois modèles et comptez les corrections que vous devez faire. Faites-le avant de décider quoi que ce soit en vous fiant à un graphique de benchmark.
Les réunions constituent le cas quotidien le plus difficile, car la transcription est inutilisable si l’on ne sait pas qui a dit quoi. Certains modèles incluent les étiquettes de locuteurs dans le prix de base, comme la variante de diarisation du modèle de transcription d’OpenAI, tandis que d’autres les facturent en option. Lorsque vous comparez une charge de travail axée sur les réunions, ajoutez les frais de diarisation à chaque option de votre shortlist, puis comparez les totaux. Le tarif de base le moins élevé cesse souvent d’être le moins cher au total.
PicassoIA héberge trois modèles de speech to text que vous pouvez essayer directement depuis le navigateur : GPT-4o Mini Transcribe, GPT-4o Transcribe et Gemini 3 Pro. C’est un moyen rapide de mener le test sur trois fichiers de la section précédente avant d’ouvrir le moindre compte chez un fournisseur.
La transcription est généralement la première étape d’un flux plus long. Une fois le texte propre obtenu, vous pouvez le réutiliser : le narrer avec une nouvelle voix, le traduire et l’enregistrer à nouveau, ou composer une bande-son autour. PicassoIA regroupe ces étapes au même endroit.
Donnez une transcription corrigée à un modèle de synthèse vocale et vous obtenez une piste de narration propre, sans réserver de studio. Speech 2.8 HD vise les voix off de qualité studio, ElevenLabs v3 met l’accent sur une interprétation expressive, Gemini 3.1 Flash TTS propose 30 voix dans plus de 70 langues, et Realtime TTS 2 est conçu pour une faible latence. C’est la boucle pratique pour les podcasteurs qui veulent une édition dans une autre langue de chaque épisode.
Une narration paraît finie dès qu’une nappe musicale discrète passe en dessous. Music 2.6 génère des chansons complètes à partir d’un prompt textuel, Lyria 3 Pro compose des morceaux instrumentaux plus longs, et Stable Audio 2.5 convient bien aux boucles courtes et aux nappes d’ambiance. Décrivez l’ambiance en une phrase, gardez le morceau instrumental et baissez-le de 15 à 20 décibels sous la voix.
Voici la version condensée de tout ce qui précède :
Quel que soit votre choix, traitez le premier mois comme un test. Relevez la facture réelle, divisez-la par le nombre d’heures transcrites, et comparez-la au tableau ci-dessus. Les prix évoluent, et vos besoins aussi. Un fournisseur qui l’emporte aujourd’hui en matière de coût peut perdre du terrain dès le trimestre suivant sur la précision ou les limites, alors gardez votre intégration assez légère pour changer de fournisseur avec une modification d’une ligne, et gardez sous la main un extrait test de 5 minutes à relancer chaque fois qu’un tarif change.
Prêt à passer à la pratique ? Ouvrez PicassoIA, importez l’un de vos propres enregistrements dans GPT-4o Mini Transcribe, puis essayez le même extrait sur les autres modèles de transcription. Quand le texte vous semble juste, narrez-le avec une voix de synthèse vocale, ajoutez une nappe musicale, et voyez jusqu’où peut aller un seul enregistrement. Parcourez le catalogue complet sur picassoia.com/en/all-models et commencez à expérimenter dès aujourd’hui.
Choisissez votre langue
