Coût API d’un agent vocal : $0.04 à $0.57 pour 10 minutes

Une conversation de 10 minutes avec un agent vocal coûte entre $0.04 et $0.57 en frais d’API. Cet écart dépend presque entièrement de deux choix : assembler soi-même la stack ou utiliser une API speech-to-speech, puis choisir la gamme de synthèse vocale. Nous avons mesuré chaque étape via une même gateway et dans un même lot : trois modèles de reconnaissance vocale facturés à la minute audio, six modèles de synthèse vocale selon la durée audio réellement produite, un dialogue LLM de huit échanges sur trois modèles de raisonnement (deux modèles flash et un modèle frontier), ainsi qu’une session GPT Realtime facturée canal par canal. Nous combinons ici ces étapes pour calculer le prix à la minute de chaque architecture.

TL;DR

• Une stack en cascade (STT + LLM + TTS) coûte entre $0.0037 et $0.025 par minute de conversation. gpt-realtime-2.1 atteint $0.057 dans nos mesures, tandis que la version mini, à $0.016, reste dans la fourchette des cascades.
• Avec un modèle de raisonnement flash, la voix coûte plus cher que le raisonnement : 12x plus dans la configuration standard. Un modèle frontier inverse cette répartition.
• Le surcoût du realtime achète surtout de la latence : 1.7-2.1 s de voix à voix dans nos mesures, contre 4.9-7.7 s pour les configurations en cascade.
• La facturation TTS au caractère rend le chinois parlé 3 à 7x moins cher que l’anglais par minute audio, sur tous les modèles mesurés.

Comment fonctionne un agent vocal, et pourquoi existe-t-il deux architectures ?

Un agent vocal transforme la parole de l’utilisateur en réponse audio, en boucle. Toutes les offres du marché suivent l’une de ces deux architectures. La cascade enchaîne trois API spécialisées : un détecteur d’activité vocale détermine que l’utilisateur a fini de parler, le système de reconnaissance vocale transcrit son intervention, un LLM rédige une réponse à partir de la transcription et de l’historique, puis la synthèse vocale la convertit en audio. Chaque étape est facturée séparément. C’est ce qui rend la cascade économique et modulaire : vous choisissez indépendamment le STT, le modèle de raisonnement et la voix, puis vous payez trois petites factures.

L’architecture speech-to-speech (realtime) remplace ces trois étapes par un seul modèle, qui reçoit et produit directement de l’audio via WebSocket. (Synthorai la prend en charge nativement : la gateway expose WebSocket sur /v1/realtime, et un SDK OpenAI Realtime existant fonctionne sans modification en pointant vers notre endpoint ; voir la documentation de l’API realtime. Toutes les sessions realtime de cet article ont utilisé cette connexion.) Le chemin principal ne passe par aucune transcription. Le modèle entend l’intonation et le rythme plutôt que de lire un texte. L’historique de conversation reste côté serveur sous forme de tokens audio, puis il est renvoyé au modèle à chaque réponse. Cette architecture apporte deux capacités qu’une cascade ne peut pas offrir par construction : une latence voix à voix inférieure à 2 secondes et l’interruption naturelle, où l’utilisateur peut couper le modèle en pleine phrase et être entendu. Elle modifie aussi la facturation : au lieu de trois compteurs fixes, vous payez séparément l’audio entrant et sortant, les « canaux », ainsi qu’un historique cumulatif dont le cache doit limiter le coût.

La suite chiffre précisément ces deux architectures : d’abord chaque étape de la cascade sur son propre compteur, puis la boucle realtime canal par canal.

Combien coûte un agent vocal par minute ?

Pour les six configurations testées, le coût va de $0.0037 à $0.057 par minute de conversation, soit un écart de 15x. Il faut distinguer deux unités dans les chiffres qui suivent : une minute de conversation correspond à une minute réelle d’appel ; une minute audio correspond à une minute de parole effective d’un seul côté, l’unité facturée par le STT et le TTS. Le scénario reste identique : temps de parole réparti à parts égales entre l’utilisateur et l’agent, quatre échanges par minute et interventions courtes de type support client. Les étapes de la cascade sont facturées selon les durées audio et le nombre de tokens mesurés. Les chiffres realtime proviennent d’une session réelle de huit échanges :

Deux positions comptent davantage que les extrêmes. L’API realtime phare coûte 2.3x plus cher qu’une cascade premium. Ce supplément ne paie donc pas une qualité équivalente, mais des capacités impossibles pour une cascade : environ 2 secondes de latence voix à voix dans notre session, l’interruption native, ainsi que la conservation du ton et du rythme, ou prosodie, puisque l’audio n’est jamais converti en texte. La version mini se place entre les cascades standard et premium. La comparaison de prix entre cascade et realtime n’est donc réellement pertinente que pour le modèle phare. Avec la version mini, le choix porte sur la latence et le contrôle, pas sur le prix.

Pour comparer équitablement, les trois autres cascades utilisent des modèles de raisonnement flash face au modèle vocal phare d’OpenAI. La ligne avec modèle SOTA associe donc la cascade au modèle de texte frontier du même fournisseur, gpt-5.6, facturé $5 en entrée et $30 en sortie par million. Même ainsi, la cascade revient à $0.0200 par minute de conversation, soit 2.9x moins que le realtime phare. Même aux tarifs frontier, un échange textuel traite deux ordres de grandeur de tokens coûteux en moins qu’un canal audio. Atteindre une qualité comparable ajoute $0.010 de raisonnement par minute, sans combler l’écart entre les architectures.

Quelle étape de la cascade pèse le plus dans la facture ?

La voix, tant que le modèle de raisonnement reste dans la gamme flash. Dans la configuration standard, une minute de conversation coûte $0.0076 en TTS contre $0.0006 pour le LLM, soit 12x plus. Même dans la configuration économique, la synthèse coûte trois fois plus que le raisonnement. Avec gpt-5.6, la répartition s’inverse : à $0.00274 par échange, le raisonnement devient le premier poste, avec $0.0110 par minute, soit 1.4x le coût de la synthèse tts-1. Les modèles flash font de la voix le principal poste de coût ; les modèles frontier déplacent ce poids vers le raisonnement. La reconnaissance vocale se situe entre les deux, à $0.0010-$0.0030 par minute de conversation (tarifs par minute issus de notre test de 14 modèles, revérifiés dans ce lot : qwen3-asr-flash $0.00198, gpt-4o-mini-transcribe $0.00294, whisper-1 $0.006 par minute audio).

Le raisonnement coûte presque rien tant que le modèle ne se met pas à réfléchir. Sur notre dialogue de support en huit échanges, deepseek-v4-flash-0731 se stabilise autour de 310 tokens en entrée et 71 en sortie par tour, soit $0.00016 par échange. Sur gemini-3.7-flash, le même dialogue coûte $0.00126 par échange, 8x plus. La répartition des tokens explique cet écart : le modèle dépense entre 89 et 361 tokens de raisonnement par tour pour produire une réponse de deux phrases. Gemini 3.7 Flash ne permet pas de désactiver le raisonnement. Un agent vocal qui l’utilise paie donc cette surcharge à chaque échange. Sur les modèles où la désactivation fonctionne, une réponse vocale correspond précisément au type de tâche simple pour lequel elle ne présente pas de risque.

Combien coûte la synthèse vocale par minute audio ?

Entre $0.004 et $0.034 par minute synthétisée, soit un écart de 8.4x que les prix au caractère masquent. Tous les modèles ci-dessous facturent les caractères en entrée. Nous avons donc synthétisé des passages fixes en anglais et en chinois, mesuré la durée des fichiers produits, puis calculé le coût par minute :

Le débit de parole est la variable cachée. tts-1-hd et chirp3-hd affichent le même tarif de $30, mais chirp3-hd lit notre passage anglais plus vite et produit donc moins de secondes d’audio. Son coût par minute audio est ainsi supérieur de 13 %. À l’autre extrémité du tableau, google-tts-standard synthétise une minute pour moins de la moitié du prix de tous les autres modèles testés. Le prix catalogue permet de classer les modèles ; seul le tarif par minute audio permet de chiffrer leur usage.

L’écart observé pour le chinois dépasse nos attentes : une minute de chinois parlé consomme 3 à 7x moins de caractères facturables qu’une minute d’anglais, car chaque caractère porte davantage d’information orale. Avec une facturation au caractère, la synthèse d’un agent vocal en chinois coûte 66 à 85 % de moins que celle du même agent en anglais. Cet avantage s’ajoute aux écarts de tokens selon la langue côté texte.

Quand le prix de l’API realtime est-il justifié ?

Quand une boucle voix à voix de 2 secondes et la gestion native des interruptions rentabilisent leur surcoût. Sur le seul critère du prix, le modèle phare perd face à toutes les cascades testées. Les deux conversions audio officielles ont été reproduites exactement dans ce lot : 30.0 secondes d’audio entrant ont été facturées 300 tokens, soit 1 token par tranche de 100 ms, et 3.7 secondes d’audio sortant ont représenté 74 tokens, soit 1 token par tranche de 50 ms. Ce sont les mêmes valeurs que celles de notre étude de juillet. Aux tarifs catalogue de gpt-realtime-2.1, l’écoute seule revient à $0.0192 par minute et la parole à $0.0768 par minute, avant la refacturation de l’historique qui fait croître le coût des longues sessions.

Cette croissance reste plus modérée qu’elle n’en a l’air grâce au cache. Dans notre session de huit échanges, l’entrée est passée de 72 à 643 tokens par réponse. Au huitième tour, 512 de ces tokens étaient toutefois servis depuis le cache à $0.40 par million. Sur l’ensemble de la session, 76 % des tokens d’entrée ont bénéficié du tarif cache. Le total mesuré atteint $0.0752 pour un échange de 1.31 minute, soit $0.0573 par minute de conversation. La ventilation par canal mérite d’être détaillée : 66 % pour l’audio sortant, 17 % pour l’audio entrant non mis en cache et 16 % pour le texte. Le modèle produit aussi une version textuelle de chaque réponse, facturée au tarif de $24 par million de tokens texte en sortie. En pratique, environ un sixième d’une facture « speech-to-speech » correspond donc à un modèle textuel. En appliquant le même profil de tokens aux tarifs de mini, on obtient $0.0159. C’est le chiffre le plus intéressant : la version mini coûte moins cher que la cascade premium tout en conservant la latence et la gestion des interruptions qu’une cascade ne peut pas offrir par construction.

Le dernier surcoût du realtime est opérationnel plutôt que lié aux tokens : les sessions s’arrêtent obligatoirement après 60 minutes et ne peuvent pas reprendre avec l’historique audio. Toute conversation qui dépasse cette limite redémarre donc avec un cache froid. L’étude de juillet décrit ces mécanismes en détail.

Le speech-to-speech est-il beaucoup plus rapide qu’une cascade ?

Entre 2.3x et 4.5x sur les configurations chiffrées ci-dessus, avec un écart qui augmente à mesure que la cascade devient plus sophistiquée. Le graphique reprend les six configurations du tableau de coûts, avec la même unité par barre : un tour de conversation mesuré du début de la requête à la fin complète de la réponse, selon un scénario réaliste, soit 5 secondes de parole en entrée et une réponse de deux phrases. Pour les cascades, les barres additionnent la médiane de trois mesures par étape :

Dans le détail, les tours en cascade totalisent 4.9 s pour la configuration économique, 5.6 s pour la standard, 5.7 s avec le modèle SOTA et 7.7 s pour la premium. Les deux niveaux speech-to-speech restent dans la même plage : 1.6-2.1 s pour gpt-realtime-2.1-mini sur 4 tours réels, et 1.7-2.1 s pour gpt-realtime-2.1 sur 8.

En comparant ce graphique au tableau des coûts, le compromis devient évident : côté cascade, le prix et la latence évoluent dans des directions opposées. La configuration économique est à la fois la cascade la moins chère et la plus rapide. La configuration premium coûte 6.8x plus cher et ajoute 2.8 secondes, car les composants coûteux, modèle qui raisonne et voix HD, sont aussi les plus lents. Côté speech-to-speech, les deux modèles restent autour de 2 secondes quel que soit leur niveau. La version mini est donc à la fois moins chère que deux cascades et plus rapide que les quatre.

Les chiffres font ressortir trois autres points. Premièrement, le LLM est le principal goulot d’étranglement de toutes les cascades, et le raisonnement obligatoire double presque sa latence : gemini-3.7-flash passe 4.5 secondes à élaborer une réponse de deux phrases, contre 2.6 pour deepseek et 2.7 pour gpt-5.6. La même surcharge de raisonnement qui multiplie le coût en tokens par 8 place donc la configuration premium en dernière position. Deuxièmement, même en sélectionnant le composant le plus rapide mesuré à chaque étape, gpt-4o-mini-transcribe, deepseek et google-tts-standard, le plancher reste à 4.1 secondes. C’est plus du double de la plage realtime, avant même d’ajouter l’attente de fin de parole du détecteur d’activité vocale et la lecture audio. Troisièmement, les lignes de cascade mesurent des temps séquentiels jusqu’à réception complète de la réponse. En production, une cascade qui envoie le streaming du LLM vers un TTS lui aussi en streaming peut faire chevaucher les deux étapes les plus longues et réduire fortement l’écart. Mais ce chevauchement doit être développé et réglé, alors que les 2 secondes de l’API realtime sont disponibles dès la première session WebSocket.

Où passe réellement le temps d’un tour en cascade ? Surtout dans les trois requêtes elles-mêmes, pas dans leur contenu. Le réseau brut ne représente qu’une petite part : un aller-retour HTTPS avec connexion chaude vers l’edge de l’API a pris environ 0.09 seconde. Trois étapes séquentielles ajoutent donc près de 0.3 seconde de réseau pur par tour, plus un handshake TLS de 0.2 seconde pour chaque connexion froide. Le principal coût vient du dispatch fixe de chaque requête. Nous l’avons isolé en relançant les étapes de l’assemblage le plus rapide avec des payloads presque vides : une réponse LLM d’un token a tout de même pris 2.5 secondes, la transcription d’un extrait d’une demi-seconde 1.6 seconde, et la synthèse de deux mots 0.4 seconde. Ces planchers totalisent 4.4 secondes, contre 4.1 secondes pour les payloads complets. L’écart reste dans la marge de mesure : la quasi-totalité du temps d’un tour en cascade correspond au coût fixe par requête. Le contenu lui-même, 70 tokens de réponse au lieu de 1 ou un extrait 10x plus long, est presque gratuit. La conclusion va dans les deux sens : raccourcir les réponses d’une cascade ne la rendra pas plus rapide, mais supprimer ou chevaucher une requête cible le vrai coût, par exemple en reliant les étapes en streaming ou en conservant les connexions. L’API realtime pousse cette logique à son maximum : elle maintient une seule socket, donc aucun tour ne repaie un cycle de requête complet.

FAQ

Quelle est la méthode la moins chère pour faire fonctionner un agent vocal ?

La cascade économique : qwen3-asr-flash pour l’écoute, deepseek-v4-flash-0731 pour le raisonnement et google-tts-standard pour la parole. Elle coûte $0.0037 par minute de conversation, soit environ $0.04 pour un appel de 10 minutes. C’est 15x moins que le speech-to-speech phare. En contrepartie, vous perdez en latence voix à voix et en gestion naturelle des interruptions.

GPT Realtime coûte-t-il plus cher qu’une stack en cascade ?

Le modèle phare, oui : gpt-realtime-2.1 atteint $0.0573 par minute de conversation dans nos mesures, soit 2.3x notre cascade premium et 15x la configuration économique. Ce n’est pas le cas de gpt-realtime-2.1-mini : à $0.0159 par minute de conversation avec le même profil de tokens, il se place entre les cascades standard et premium. Avec la version mini, le choix dépend donc de la latence et du contrôle, pas du prix.

Quelle partie d’un agent vocal coûte le plus cher ?

La synthèse vocale dans toutes les cascades à modèle flash que nous avons chiffrées : $0.002-$0.017 par minute de conversation, contre $0.0006-$0.005 pour un LLM flash, soit 12x plus dans la configuration standard. Un modèle frontier inverse la répartition : gpt-5.6 coûte $0.0110 par minute, contre $0.0076 pour tts-1. Au sein du TTS, le choix du modèle crée un écart de 8.4x par minute audio, le levier le plus important de nos mesures.

La langue de la conversation modifie-t-elle le coût ?

Oui, fortement pour la synthèse : avec la facturation au caractère, une minute de chinois parlé coûte 3 à 7x moins qu’une minute d’anglais sur les six modèles TTS mesurés, car chaque caractère porte davantage de parole. Les tarifs de reconnaissance vocale restent identiques entre les deux langues sur les trois modèles revérifiés. Côté texte, les écarts suivent les différences de tokenisation selon la langue.

Mesures effectuées le 2026-08-17 via la gateway Synthorai, avec toutes les étapes traitées dans un même lot : six modèles TTS synthétisant des passages fixes en anglais et en chinois, avec durées audio lues dans les fichiers retournés, deux exécutions chacun ; trois modèles STT sur les extraits de référence standard, avec coût par minute issu des headers de facturation ; un dialogue de support scripté en huit échanges sur trois modèles LLM, deux modèles flash et un frontier, avec usage enregistré à chaque tour ; une mesure de latence par étape, intervention de 5 secondes vers le STT, tour de dialogue stabilisé vers le LLM, réponse de deux phrases vers le TTS, n=3, temps jusqu’à réception complète ; une mesure du plancher avec payload minimal sur les mêmes étapes, réponse d’un token, extrait d’une demi-seconde, synthèse de deux mots, n=3, avec temps d’aller-retour vers l’edge de l’API pour les connexions chaudes et froides ; et des sessions GPT Realtime réelles, interventions de 5 secondes, huit tours sur le modèle phare et quatre sur la version mini, facturées canal par canal à partir des événements response.done. Le coût de la version mini est obtenu en appliquant les tarifs catalogue mini au profil de tokens mesuré sur la session du modèle phare, tandis que sa plage de latence provient de sa propre session. Les calculs des cascades supposent un temps de parole réparti à parts égales et quatre échanges par minute. Les tarifs correspondent aux prix catalogue au moment des mesures. seed-tts-2.0 est intégré, mais exclu en attendant des mesures stables. Les prix et débits de parole évoluent ; refaites les mesures avant de choisir une architecture.

Articles de la même série : tarifs de reconnaissance vocale sur 14 modèles, mécanismes tarifaires de GPT Realtime, coût en tokens des images en entrée, tarifs de génération vidéo.

← Retour au blog