Pipeline ou speech-to-speech ? Faites le calcul.

Cela dépend du modèle. Aux tarifs publics de septembre 2026, un pipeline (Deepgram Nova-3 à 0,0058 $ la minute, un LLM bon marché avec cache, Cartesia Sonic à 0,03 $ par minute de parole) coûte environ 0,02 $ par minute d'appel, quelle que soit la taille du prompt. GPT-Realtime-2.1-mini se situe dans la même fourchette. Gemini 3.1 Flash Live part plus haut et augmente avec la taille du prompt et la durée de l'appel, car il refacture tout le contexte à chaque tour. GPT-Live-1 coûte un tarif fixe de 0,05 $ la minute, plus les tokens du backend.

L'API Gemini Live n'a pas de mise en cache du prompt : à chaque tour de dialogue, elle facture en tokens d'entrée le prompt système, les définitions d'outils et tout l'audio échangé jusque-là. Un prompt de 3 000 tokens sur un appel de 2 minutes avec 11 tours est facturé 11 fois, soit 33 000 tokens, sans même compter l'audio. Un pipeline envoie lui aussi le même prompt à son LLM à chaque tour, mais la mise en cache du prompt facture le préfixe répété à 10 % du prix d'entrée.

Les modèles speech-to-speech gardent toute la conversation en contexte. Chaque nouveau tour relit l'historique audio, si bien que le coût d'un tour augmente avec les minutes déjà échangées : un appel long coûte plus cher à la minute qu'un appel court. La compression de la fenêtre de contexte de Gemini Live plafonne cet historique grâce à une fenêtre glissante. Le coût d'un pipeline, lui, reste constant : le STT est facturé sur la durée de l'appel, le TTS sur les mots prononcés par l'agent, et l'historique de la transcription n'est qu'un texte léger que le cache rend presque gratuit.

Un agent vocal envoie une nouvelle requête à son modèle de langage à chaque tour de dialogue, et chaque requête transporte de nouveau tout le contexte : le prompt système, les définitions d'outils, la transcription jusque-là et la nouvelle prise de parole. Sur un appel de 11 tours, un prompt de 3 000 tokens est envoyé 11 fois. Avec la mise en cache du prompt, le fournisseur reconnaît que le début de la requête est identique à celui de la précédente et facture cette partie répétée à une fraction du prix : 10 % sur les modèles texte d'OpenAI et de Gemini, environ 3 % sur l'historique audio de Realtime. Elle fonctionne automatiquement lorsque le contenu stable (prompt, outils) vient en premier et le contenu variable (date, données de l'appelant, nouveau tour) en dernier. L'API Gemini Live n'a pas de cache, c'est pourquoi son coût grimpe avec la taille du prompt. Le simulateur applique tel quel le cache natif de chaque fournisseur : activé pour les LLM du pipeline, GPT-Realtime-mini et le backend de GPT-Live-1, jamais pour Gemini Live.

Collez-le dans le simulateur : il compte environ 4 caractères par token, dans votre navigateur, sans rien envoyer. Sur de la prose, les tokeniseurs de Gemini et d'OpenAI ne s'écartent que d'environ 10 % l'un de l'autre. Chaque définition d'outil ajoute environ 180 tokens (nom, description, schéma des paramètres), renvoyés à chaque tour.

Le speech-to-speech, pour le rendu : écoute full-duplex, prosodie naturelle, interruptions et marques d'écoute gérées par le modèle, et aucun passage de relais entre STT, LLM et TTS. La contrepartie, c'est le contrôle. Un modèle speech-to-speech se comporte comme avec une température fixée à 1 et offre peu de sorties structurées, alors qu'un pipeline vous donne une température de 0, des appels d'outils déterministes et la liberté de remplacer n'importe quel composant ou n'importe quelle voix.

GPT-Live-1 est le modèle speech-to-speech full-duplex d'OpenAI, sorti en septembre 2026. La couche vocale coûte un tarif fixe de 0,05 $ la minute, facturé à la seconde, silences compris, et elle délègue le raisonnement et les appels d'outils à un modèle texte en backend (GPT-5.6 Luna, Terra, Sol ou GPT-6 Astra), facturé au token avec mise en cache du prompt. Avec Astra en backend, il se classe premier au Speech to Speech Index d'Artificial Analysis, avec environ 1,3 seconde jusqu'au premier audio.

Gemini 3.8 Live est facturé comme Gemini 3.1 Flash Live : pas de mise en cache du prompt, le prompt, les outils et l'historique audio refacturés à chaque tour, mais pour environ 44 % de moins par token. Ce rapport provient de l'évaluation du modèle par Google DeepMind, qui indique le coût par heure d'audio en entrée mesuré par Artificial Analysis sur le sous-ensemble Big Bench Audio : 0,84 $ de l'heure pour Gemini 3.8 Live, contre 1,50 $ pour Gemini 3.1 Flash Live (Minimal) et 1,75 $ pour Gemini 3.1 Flash Live (High). Le simulateur applique ce rapport de 0,56 à chaque tarif par token de Gemini 3.1 Flash Live. Le même document attribue à Gemini 3.8 Live un score de 76,0 au Speech to Speech Index d'Artificial Analysis (82,6 avec la réflexion étendue), contre 71,5 pour Gemini 3.1 Flash Live (High), ainsi que le meilleur score d'expérience sur l'EVA-Bench de ServiceNow. D'après nos écoutes, il déçoit un peu sur la voix et le rendu face à Gemini 3.1 Flash Live, dont la famille de voix arrive en tête du benchmark Pronunciation Robustness d'Artificial Analysis : le simulateur note donc son rendu et sa voix en dessous de ceux de la 3.1. Aucun chiffre de latence distinct n'étant publié, le simulateur reprend la décomposition du temps de réponse de Gemini 3.1 Flash Live. Source : Évaluation du modèle Gemini 3.8 Audio (Live, Live Extended Thinking), Google DeepMind, septembre 2026.

Grok Voice Think Fast 2.0, le modèle speech-to-speech de xAI lancé le 29 juillet 2026, facture 0,08 $ par minute d'audio de session (contre 0,05 $ pour la version 1.0), plus 0,004 $ par élément texte injecté dans la conversation ; les résultats des appels de fonction ne sont pas facturés. Rien ne dépend de la taille du prompt, de l'historique ou du nombre de tours, si bien que le simulateur lui applique un coût constant par minute : il n'est jamais le moins cher sur un appel court avec un prompt compact, et il l'emporte dès que les minutes ou les tokens augmentent. Artificial Analysis mesure un temps moyen de 0,70 s jusqu'au premier audio, le seul modèle du top 5 sous la seconde, et un Speech to Speech Index de 82,9 pour la variante High reasoning, qui fixe son score de contrôle. Aucune option de résidence des données dans l'UE n'est publiée. Source : Artificial Analysis, Grok Voice Think Fast 2.0 sur le Speech to Speech Index, juillet 2026.

Chaque modèle et chaque composant de pipeline porte une note de voix, de 1 à 5, pour l'anglais, le français, l'espagnol et le néerlandais : une réputation fondée sur des benchmarks d'écoute à l'aveugle, les listes de langues des fournisseurs et ce que nous entendons en production, et non une mesure, modifiable dans le code. Gemini 3.1 Flash Live offre la meilleure voix et le meilleur rendu du comparatif : sa famille de voix, Gemini 3.1 Flash TTS, arrive en tête du benchmark Pronunciation Robustness d'Artificial Analysis avec 88,1 % (devant SpaceXAI TTS à 87,6 % et ElevenLabs Eleven v3 à 85,6 %), le test qui vérifie que les noms, montants, dates, codes et emails sont prononcés correctement. Il obtient 5 dans toutes les langues et la meilleure note de rendu, et toutes les autres options, Gemini 3.8 Live compris, se situent un demi-point sous leur réputation sur ces deux critères. En français, Gradium, ElevenLabs et Cartesia sont les voix fortes du pipeline ; les voix d'OpenAI gardent un accent ; Grok n'a pas encore de réputation établie en français. En espagnol, Gradium et ElevenLabs sont en tête côté pipeline, suivis de Gemini 3.8 Live et des voix régionales de Grok. En néerlandais et en flamand, ElevenLabs propose des voix flamandes natives, tandis que Cartesia et Deepgram le prennent en charge avec un accent et que Gradium ne le propose pas. La note fait varier le rendu (un 5 rapporte un demi-point, un 3 en fait perdre un entier, un 2 en fait perdre deux : une mauvaise voix dans la langue de l'appelant fait une mauvaise expérience, quoi que le modèle fasse par ailleurs), une option notée sous 3 n'est pas proposée comme meilleur rapport qualité-prix tant qu'une option qui sonne mieux tient dans le budget, le choix au meilleur rapport qualité-prix en tient compte, et les listes déroulantes du pipeline affichent la note de chaque STT et TTS dans cette langue. La Belgique est couverte par le français et le néerlandais. Source : Benchmark Pronunciation Robustness d'Artificial Analysis, septembre 2026.

Oui, avec toutes sauf Grok Voice 2.0, qui n'a pas d'option UE publiée, mais à des prix différents. Gemini 3.1 Flash Live et les modèles texte Gemini tournent dans une région UE via Vertex AI au tarif régional, 10 % au-dessus de l'endpoint global. OpenAI propose des projets avec résidence des données dans l'UE : GPT-Realtime-mini et les modèles texte conservent leur prix catalogue, la couche vocale de GPT-Live-1 coûte 10 % de plus. Un pipeline est le plus simple à garder dans l'UE, car la résidence se décide composant par composant : STT et TTS sur leurs endpoints UE, le LLM sur un projet UE ou dans une région UE, et tout fournisseur qui ne peut pas s'y conformer est remplacé sans toucher au reste. Cochez la résidence des données dans l'UE dans le simulateur pour appliquer ces prix et adapter la recommandation.

Des tarifs publics vérifiés le 15 septembre 2026 sur les pages de tarifs de l'API Gemini et de Vertex AI, la page de tarifs de l'API OpenAI, la grille tarifaire de xAI pour Grok Voice, les pages de tarifs de Deepgram, Cartesia et Gradium (les crédits au caractère de Gradium étant convertis sur la base d'environ 900 caractères par minute parlée), et artificialanalysis.ai pour la qualité et la latence. Les remises sur volume, les contrats d'engagement et les tarifs entreprise ne sont pas modélisés. Les factures réelles varient selon le profil de la conversation : ajustez les tours par minute, la part de parole et les appels d'outils dans les paramètres avancés.