CallShift fait tourner des agents téléphoniques IA sur des modèles speech-to-speech natifs (Gemini Live, GPT-Live et Realtime d'OpenAI, Grok Voice) et sur des pipelines STT → LLM → TTS, et choisit l'architecture cas d'usage par cas d'usage. Les deux architectures tournent en production depuis 2024 et ont été comparées en test A/B sur une campagne réelle.
Un agent vocal speech-to-speech est un agent téléphonique IA construit sur un seul modèle, qui entend l'audio et répond en audio, sans transcription ni voix distincte entre les deux. Un agent vocal en pipeline enchaîne au contraire trois modèles : la reconnaissance vocale (STT), un grand modèle de langage (LLM) et la synthèse vocale (TTS).
La différence tient à ce que l'appelant entend et à ce que vous contrôlez. Le speech-to-speech conserve le ton, les hésitations et les interruptions, et répond en un seul saut. Un pipeline transforme chaque tour de parole en texte que l'on peut inspecter, contraindre et rejouer, au prix de sauts supplémentaires et d'un échange qui se fait tour par tour.
Mis à jour le 29 septembre 2026
Deux architectures de voice AI, deux promesses opposées. Le pipeline orchestré (STT → LLM → TTS) fait passer chaque tour de parole par du texte : c'est le déterminisme. Le speech-to-speech natif garde l'audio de bout en bout : c'est le naturel. Aucune des deux ne gagne partout, et c'est cet arbitrage, bien plus que le modèle, qui décide de la réussite d'un déploiement.
Un de nos savoir-faire
VAD 400 ms · STT 250 ms · LLM 350 ms · TTS 200 ms · sauts 200 ms
fin de parole 250 ms · premier audio 500 ms
Chiffres typiques issus de benchmarks publics et de mesures terrain, avec le 95e percentile indiqué ; chaque saut ajoute sa propre file d'attente.
Lors d'un test A/B mené en production, les agents speech-to-speech en espagnol d'uMinds ont fait environ 20 % de mieux que le pipeline Cartesia + GPT-4.1 mini + Deepgram qu'ils utilisaient auparavant. Voir le cas uMinds
“Grâce à de solides paris sur des modèles comme Gemini, ils ont apporté la qualité et les tarifs qui nous ont fait quitter d'autres fournisseurs.”
Francesco Haces MunozCofondateur, uMindsLe choix se fait flux par flux, pas une fois pour toute l'entreprise. Ce que nous choisissons, et pourquoi.
| Parcours d'appel | Architecture | Pourquoi |
|---|---|---|
| Accueil, standard, ligne hors horaires | Speech-to-speech | Réponses rapides, interruptions bien gérées, voix naturelle : les appelants restent en ligne. |
| Qualification de leads, relances, campagnes sortantes | Speech-to-speech | Partout où le naturel améliore la conversion : environ 20 % de mieux que le pipeline dans le test A/B d'uMinds. |
| Capture d'emails, de numéros de téléphone, de codes | Speech-to-speech | Aucun transcripteur intermédiaire pour les écorcher. |
| Formulaires longs, enchaînements conditionnels, nombreux outils | Pipeline | Utilisation déterministe des outils et sorties structurées, avec n'importe quel LLM. |
| Scripts réglementés à prononcer tels quels | Pipeline | Le texte intermédiaire est un point de contrôle : chaque mention est vérifiée avant d'être prononcée. |
| Raisonnement complexe avec une voix naturelle | Speech-to-speech + LLM | Une couche vocale full-duplex tient la conversation pendant qu'un modèle texte réfléchit et appelle les outils. |
| Appels longs, prompts lourds, facture prévisible | Pipeline ou speech-to-speech à tarif fixe | Les modèles audio natifs qui refacturent tout le contexte à chaque tour coûtent plus cher à mesure que l'appel s'allonge. |
| Données conservées dans l'UE | Pipeline, ou Gemini Live et OpenAI sur des endpoints UE | Résidence des données composant par composant ; Grok Voice n'a pas encore d'option UE publiée. |
Chaque modèle de notre simulateur d'architecture tourne en production chez CallShift. Scores au 15 septembre 2026.
| Modèle | Type | Speech to Speech Index | Réponse typique | Idéal pour |
|---|---|---|---|---|
| Gemini 3.1 Flash Live | Speech-to-speech | 71.5 | ~0,8 s | Appels courts avec un prompt compact, là où le rendu compte le plus |
| Gemini 3.8 Live | Speech-to-speech | 76.0 | ~0,8 s | Appels courts avec un prompt compact : le rendu natif le moins cher |
| GPT-Realtime-2.1-mini | Speech-to-speech | non évalué | ~0,9 s | Flux simples où un seul fournisseur et un rendu natif priment sur le contrôle fin |
| Grok Voice 2.0 | Speech-to-speech | 82.9 | ~0,7 s | Appels longs ou prompts lourds à prix fixe et prévisible ; la réponse la plus rapide du comparatif |
| GPT-Live-1 + backend | Speech-to-speech + LLM | 81.5 | ~0,9 s | Tâches complexes qui demandent du raisonnement, avec une facture prévisible |
Speech to Speech Index par Artificial Analysis. Temps de réponse typique entre le dernier mot de l'appelant et le premier audio de l'agent, d'après des benchmarks publics et des mesures terrain.
Tester votre promptOui. uMinds fait tourner des appels de vente en espagnol sur Gemini 3.1 Flash Live via CallShift : 50 000 appels passés en moins de 3 heures sur leur propre SIP, après un test A/B en production qui a donné au speech-to-speech environ 20 % d'avance sur leur pipeline Deepgram + GPT-4.1 mini + Cartesia. Lire le cas uMinds.
En général en 0,8 s environ après le dernier mot de l'appelant, 1,4 s au 95e percentile, contre environ 1,4 s et 2,6 s pour un pipeline. Un seul modèle, c'est un seul saut réseau ; un pipeline enchaîne détection d'activité vocale, STT, LLM et TTS, et chaque saut ajoute sa propre file d'attente.
Il appelle des outils (votre CRM, votre agenda, vos API) en cours d'appel. Il n'est pas déterministe pour autant : il se comporte comme avec une température fixée à 1, et ses sorties structurées sont limitées. Pour les scripts à dire mot pour mot ou les formulaires longs, nous utilisons un pipeline, ou une couche vocale speech-to-speech qui délègue le raisonnement et les outils à un modèle texte.
Chaque appel est enregistré, transcrit et résumé a posteriori, puis étiqueté et évalué selon les critères de réussite que vous définissez, avec une alerte après chaque appel. La revue est la même quelle que soit l'architecture.
Gemini 3.1 Flash Live offre la meilleure voix et le meilleur rendu du marché dans toutes les langues que nous exploitons, français, espagnol et néerlandais compris. En espagnol, Gemini 3.8 Live suit de près ; en français et en néerlandais, les voix d'OpenAI et de xAI sont en retrait.
Cela dépend de l'appel. Gemini Live refacture le prompt, les outils et tout l'audio échangé jusque-là à chaque tour, et convient donc aux appels courts avec un prompt compact ; Grok Voice facture un tarif fixe de 0,08 $ la minute ; sur les appels longs avec des prompts lourds, un pipeline revient souvent moins cher. Comparez les trois sur votre propre prompt dans le simulateur d'architecture.
Contactez-nous
Des agents IA en anglais, français, néerlandais, espagnol et portugais, avec voix, messages et dates parlées localisés, et le français réglé le plus finement.
Chaque appel enregistré, transcrit, résumé et évalué selon vos critères, avec une alerte dès qu'il se termine et un tableau de bord pour les relire.
Dessinez le parcours d'appel de votre agent dans le Call Builder no-code, puis pilotez CallShift depuis votre stack ou depuis Claude : une API REST, des outils que vos agents utilisent en cours d'appel, un webhook de fin d'appel et une skill Claude.
Réservez un appel avec un ingénieur voice AI : nous partons de vos parcours d'appel réels et vous montrons l'agent, l'architecture et les chiffres qui leur correspondent.
~0 % d'appels manqués chez Bonnie&Car, contre 55 % avant. Lire l'étude de cas
