L’« IA vocale » recouvre désormais quatre métiers : fournisseurs de modèles vocaux, plateformes qui les assemblent en agents, services vocaux cloud et projets open source. Ce guide présente les acteurs fin 2026 pour vous aider à retenir deux ou trois options adaptées à votre tâche, plutôt qu’à tester une douzaine de démonstrations.
Nous développons l’une des entreprises de cette liste et le précisons. Les affirmations importantes renvoient à un classement ou à une page produit vérifiable.
Les fournisseurs de modèles vocaux
Ces entreprises entraînent leurs propres modèles et les vendent via des API. C’est la couche à acheter pour intégrer la voix à un produit.
Cartesia, c’est nous, construit des modèles vocaux en temps réel sur une architecture à espace d’état, issue des recherches pionnières de notre équipe fondatrice au Stanford AI Lab. Sonic est notre modèle TTS : audio diffusé pendant la génération, latence inférieure à 90 ms, plus de 40 langues et première place dans les tests d’écoute à l’aveugle de VoiceArena et d’Artificial Analysis. Ink assure la transcription en continu avec détection des tours intégrée. Managed Agents permet de créer des agents vocaux de production. Decagon, ServiceNow, Quora, Retell et EliseAI utilisent la plateforme. Consultez les clients et les tarifs.
ElevenLabs est la marque grand public la plus connue du secteur, avec bibliothèque de voix, clonage, doublage et studio pour créateurs. Sa page d’accueil met désormais aussi les agents en avant. Sa force reste la production créative. Pour des agents en temps réel, comparez directement le délai du premier audio. Notre comparaison avec ElevenLabs détaille les différences de plateforme.
Deepgram vend des API STT et TTS destinées aux entreprises. Sa réputation repose sur la transcription rapide à grande échelle. Évaluez son TTS séparément de son STT.
PlayHT propose des API TTS depuis des années. Son site ne se chargeait pas lors de notre vérification du 24 septembre 2026. Confirmez donc le fonctionnement et l’assistance avant de construire dessus.
Speechify est surtout connu comme assistant de lecture de documents. L’entreprise annonce plus de 60 millions d’utilisateurs. Le studio et l’API sont distincts de l’application de lecture.
Murf AI et WellSaid Labs ciblent la production de voix off. Murf propose un éditeur de scripts vers la voix et présente désormais des agents conversationnels. WellSaid se concentre sur la narration d’entreprise.
Les plateformes d’agents vocaux
La plupart de ces entreprises n’entraînent pas de modèles vocaux. Elles orchestrent reconnaissance, modèles de langage et synthèse en agents téléphoniques ou applicatifs, puis vendent l’infrastructure : téléphonie, orchestration et observabilité.
Vapi permet aux développeurs de composer des agents avec des composants indépendants des fournisseurs. Retell AI construit des agents de production et utilise les voix Cartesia dans sa pile. Bland AI se concentre sur les appels sortants et entrants à grande échelle. LiveKit vend l’infrastructure audio-vidéo en temps réel, notamment WebRTC, sous de nombreux produits vocaux.
Commencez ici pour un agent sans assembler vous-même la chaîne. Si vous devez contrôler les modèles, achetez auprès des fournisseurs précédents et reliez les composants vous-même.
Les services vocaux cloud
Google Cloud Speech-to-Text et Text-to-Speech, Microsoft Azure AI Speech et Amazon Polly sont les acteurs historiques. Ils disposent de la plus large distribution, d’outils de conformité poussés et d’une longue expérience. Les startups les ont dépassés sur la qualité vocale et la latence conversationnelle. Si votre organisation utilise déjà l’un de ces clouds, c’est la voie la plus simple.
OpenAI fournit la voix via ses API, dont Realtime pour les sessions de parole à parole, et ses modèles alimentent le mode vocal de ChatGPT.
L’open source
Fish Audio publie des modèles vocaux à poids ouverts, Fish Speech, et propose une plateforme hébergée. Whisper reste la référence ouverte en transcription, tandis que Piper et F5-TTS couvrent la synthèse auto-hébergée. L’open source donne du contrôle et garde les données localement, au prix d’une infrastructure à exploiter vous-même. Latence et qualité varient beaucoup selon l’installation.
Comment choisir
Adaptez d’abord le fournisseur à la tâche, puis regardez le classement. Un agent en temps réel exige des points de terminaison en continu et un faible délai du premier audio. Testez vos scripts sur votre réseau, depuis votre région de déploiement. La narration enregistrée dépend davantage du montage et des droits commerciaux que de 90 millisecondes.
Testez ensuite concrètement les mêmes scripts dans les deux systèmes, avec numéros de compte, abréviations et réponses interrompues. Notre guide des agents vocaux présente les critères d’évaluation pour les agents, et notre centre de comparaison confronte les concurrents cités.
Pour écouter le modèle TTS classé premier avant de lire une autre comparaison, le générateur de voix fait fonctionner Sonic dans votre navigateur, sans inscription.