Comparatif voix IA : 8 générateurs TTS face à un texte complexe

👁 116 lectures

Un même texte complexe en polonais - 62 mots truffés d’une date, d’un montant, d’un numéro de train, d’un numéro de téléphone, d’interrogations, d’exclamations et de virelangues redoutables comme des termes signifiant « Szczebrzeszyn » et « hanneton » dans le test polonais d’origine - a été lu par 8 voix IA : depuis le cloud, gratuitement et en local sur ma carte RTX 4090. Écoutez d’abord à l’aveugle, puis découvrez qui parle. Une seule voix a réalisé un sans-faute, tandis que deux modèles locaux gratuits ont trébuché sur les nombres.

Ce comparatif complète mon classement de 14 modèles TTS testés en polonais, où je mesurais les erreurs sur trois longs textes. Ici, l’approche est différente : place à l’oreille. Un extrait concis, huit voix face à face, un test à l’aveugle et un tableau synthétique précisant les coûts et la conformité des licences pour un usage commercial.

Texte du banc d’essai

Chaque voix a reçu exactement le même texte d’origine rédigé en polonais, en graphie normale, sans explicitation des chiffres en toutes lettres (nous l’avons testé en polonais pour éprouver la synthèse face à des pièges phonétiques et grammaticaux extrêmes) :

[Traduction du texte du test d’origine en polonais] : Szczebrzeszyn, 17 octobre 2026, 9 h 45. Le hanneton bourdonne dans les roseaux, et le docteur Agnieszka Brzęczyszczykiewicz achète un billet à 1249,99 unités monétaires polonaises pour le train IC 5316 à destination de Łódź. Arrivera-t-elle à temps alors que le train a déjà 25 minutes de retard ? Brin d’herbe, coucou gris, petite abeille - essayez de répéter cela sans trébucher ! Et notez bien : 15 % de réduction, numéro 601 234 567. Merci et à jeudi prochain à Gdańsk !

Ce test comportait 15 points de contrôle précis :

• noms propres polonais et virelangues tirés du test d’origine : la ville de Szczebrzeszyn, le terme signifiant hanneton, le patronyme Brzęczyszczykiewicz, ainsi que les mots signifiant brin d’herbe, coucou et petite abeille ;
• chiffres et déclinaisons grammaticales exactes : date ordinale, heure (« 9 h 45 »), montant avec décimales (« mille deux cent quarante-neuf… »), durée (« 25 minutes »), pourcentage (« 15 % ») ;
• sigle ferroviaire « IC », numéro de convoi et découpage naturel des chiffres du numéro de téléphone ;
• intonation interrogative sur la question « Arrivera-t-elle à temps… ? » ;
• exhaustivité : absence d’omissions ou d’hallucinations de mots.

Test à l’aveugle : écoutez avant de révéler les noms

L’ordre est aléatoire, le volume sonore a été égalisé et l’adresse des fichiers audio ne trahit aucun nom de modèle. Notez la lettre de votre voix favorite avant de cliquer sur le volet pour afficher l’identité du moteur.

Comparez vos impressions avec les scores détaillés ci-dessous : la rigueur de prononciation ne correspond pas toujours à ce qui flatte le plus l’oreille au premier abord.

Résultats : prononciation sur 15 points de contrôle

Méthodologie d’évaluation : chaque fichier audio a été transcrit localement par Whisper large-v3 puis analysé par Gemini 3.8 Flash avec pour consigne de retranscrire phonétiquement chaque mot prononcé et d’évaluer chaque point de contrôle. Une faute a été comptabilisée dès lors qu’elle apparaissait dans les deux transcriptions ou lorsque Gemini isolait une forme grammaticalement incorrecte. J’ai corrigé manuellement un arbitrage : Piper a énoncé « IC cinq mille trois cent seize » d’un bloc, une lecture admissible pour un convoi, ce qui lui a valu le point.

Les erreurs les plus fréquentes sur les mots complexes

• La date : 6 moteurs sur 8 ont échoué sur la forme ordinale requise en polonais en optant pour un nominatif brut. Les deux profils Edge TTS ont en outre ajouté des formules redondantes non présentes dans le texte source.
• Le montant décimal (1249,99) : seule la voix Eleven v4 a su restituer les unités monétaires et les centimes de façon naturelle. Edge s’est contenté d’une formule littérale lourde, XTTS et Piper ont prononcé bêtement « virgule », tandis que GPT Audio a purement et simplement escamoté le millier.
• Le terme pour hanneton dans le test polonais : Edge Marek l’a transformé en graphie corrompue dans le test original en polonais, Piper en graphie corrompue dans le test original en polonais, et Chatterbox en graphie corrompue dans le test original en polonais.
• Le terme signifiant « brin d’herbe » dans le test original : escamoté en graphie corrompue dans le test original en polonais par Edge Zofia, déformé en graphie corrompue dans le test original en polonais par GPT Audio Mini et en graphie corrompue dans le test original en polonais par Piper.
• Les noms propres complexes : l’immense majorité a réussi à prononcer Szczebrzeszyn et le nom de famille complexe du médecin, à l’exception de Piper qui a buté dessus.
• L’inflexion interrogative : seule une moitié des modèles (Eleven v4, GPT Audio, GPT Audio Mini et Chatterbox) a modulé une intonation montante sur la question. Edge, XTTS et Piper lisent une question comme une phrase affirmative plate.
• Le numéro de téléphone : Piper l’a lu d’un seul trait comme un nombre astronomique de centaines de millions. Eleven v4 a énoncé les chiffres individuellement, ce qui reste parfaitement limpide à l’écoute.

Tableau comparatif : prix, voix disponibles, licence et latence

La latence correspond au délai écoulé entre l’envoi de la requête et la réception du premier flux audio (pour les services cloud avec streaming) ou la génération complète du fichier (pour les modèles exécutés en local). Mesures relevées le 8 octobre 2026 à raison d’un appel par modèle : prenez ces valeurs à titre indicatif plutôt que comme un benchmark figé dans le marbre.

Les tarifs en dollars proviennent des grilles officielles des éditeurs et de ma facture sur OpenRouter. Les conversions en euros sont calculées sur la base du taux BCE du 12/10/2026 (1 EUR = 1,1181 USD, source : https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml) : il s’agit d’estimations hors taxes locales, et non de prix finaux facturés au règlement. Pour Azure, les montants reposent sur les estimations publiques habituelles.

Performances en local sur Nvidia RTX 4090

XTTS lit le texte sur un rythme particulièrement lent (53 secondes là où les autres oscillent entre 35 et 43 secondes) et accuse un accent étranger très présent, mais il préserve correctement les noms propres difficiles. Chatterbox exige impérativement que les chiffres soient retranscrits en toutes lettres : confronté à des expressions numériques brutes, il produit un charabia inintelligible. Piper tourne sur une machine très modeste sans carte graphique dédiée, mais son rendu rappelle les voix de synthèse GPS d’il y a dix ans. Pour aller plus loin sur l’exécution autonome, consultez mon guide de l’IA en local.

Pourquoi Gemini TTS n’apparaît pas ici

Gemini 3.8 Flash TTS et Gemini 3.1 Flash TTS avaient obtenu d’excellents résultats dans mon classement général précédent (la version 3.1 avait même réalisé un sans-faute). Je n’ai malheureusement pas pu les inclure dans cette série : OpenRouter ne proposait pas les variantes audio de Gemini au moment du banc d’essai, et la passerelle d’accès que j’utilisais le mois dernier nécessitait un rechargement de crédits. J’intégrerai ces voix au banc d’essai à l’aveugle dès que l’accès sera rétabli.

Quel générateur de voix IA choisir selon vos besoins ?

• Voix off pour vidéos, publicités ou narration soignée : Eleven v4. C’est l’unique modèle sans la moindre faute de prononciation, doté d’une prosodie naturelle. Tarif de base autour d’environ 0,072 EUR (0,08 USD) pour 1000 caractères. Retrouvez tous les détails dans notre guide dédié à ElevenLabs.
• Assistants conversationnels et temps réel : GPT Audio offre la latence la plus basse (0,8 s) et une très bonne restitution des questions, mais surveillez les montants chiffrés. La version Mini coûte près de trente fois moins cher, mais peut parfois sauter une phrase entière en cours de lecture.
• Gratuit pour un usage personnel ou écoute de documents : Edge TTS propose un rendu vocal agréable, à condition d’écrire les dates et nombres en toutes lettres pour éviter les maladresses. Pour un usage commercial, basculez obligatoirement sur l’offre officielle Azure Speech.
• Traitement 100 % hors ligne et confidentialité totale : XTTS v2 si votre projet n’est pas commercial, ou Chatterbox (licence MIT) si vous monétisez vos contenus, à condition de convertir chaque chiffre en texte au préalable.
• Configuration matérielle très modeste : Piper. La voix sonne très synthétique, mais elle s’exécute rapidement sur n’importe quel processeur basique.

Foire aux questions

Quel est le meilleur générateur de voix IA pour les langues complexes ?

Dans ce test axé sur des sonorités très piégeuses, Eleven v4 d’ElevenLabs s’impose en tête avec 15 points sur 15 et le rendu le plus fluide. Dans mon grand classement de 14 modèles, Gemini 3.1 Flash TTS s’était également hissé au même niveau d’exactitude.

Existe-t-il des voix IA gratuites de bonne qualité ?

Oui. Edge TTS fournit un rendu convenable sans frais, et les outils open source comme Piper, XTTS v2 ou Chatterbox tournent directement sur votre machine. Attention toutefois : Edge TTS est une passerelle non officielle (inadaptée à un usage professionnel direct). Côté open source, Chatterbox (licence MIT) permet l’exploitation commerciale, tout comme certains profils de Piper selon leur jeu de données d’entraînement.

Quel moteur gère le mieux la lecture des dates et des nombres ?

Eleven v4 se détache nettement. La plupart des autres modèles hésitent sur les formes ordinales des dates et articulent maladroitement les décimales en disant littéralement « virgule » ou en oubliant des ordres de grandeur. L’astuce universelle sur les moteurs plus économiques consiste à transcrire tous les chiffres en toutes lettres dans votre texte source avant génération.

A-t-on le droit d’exploiter commercialement ces voix IA ?

Tout dépend de la licence d’utilisation : ElevenLabs l’autorise sur ses formules payantes, OpenAI permet l’usage commercial sous réserve de signaler que la voix est générée par IA, Chatterbox est couvert par la licence permissive MIT, tandis qu’XTTS v2 est cantonné à un cadre non commercial. L’accès direct via Edge TTS n’offre aucune garantie commerciale.

Combien coûte une voix de synthèse IA par minute d’audio ?

Une minute d’élocution normale représente généralement entre 700 et 900 caractères de texte. Avec Eleven v4, le tarif revient à environ 0,05-0,06 EUR (0,06-0,07 USD) la minute. Avec GPT Audio Mini, le montant se réduit à une fraction minime de centime d’euro, et l’exécution en local ne vous coûte que l’électricité consommée par votre machine.

Comment ce comparatif a-t-il été réalisé ?

L’ensemble des fichiers a été généré le 8 octobre 2026 à partir du même texte brut sans ajustement manuel. Les requêtes cloud ont été transmises via leurs API respectives (ElevenLabs, OpenRouter, Edge TTS), et les modèles locaux ont tourné sur une carte graphique Nvidia RTX 4090 de 24 Go de VRAM sous Windows 11.

// lire la suiteGénérateurs d’images IA : 21 tests de texte françaisBenchmarksGénérateur vidéo IA : le comparatif testé et les prix 2026BenchmarksGénérateur d’images AI : comparatif de 11 modèlesBenchmarks

Le lien vers ElevenLabs est un lien partenaire : si vous achetez par ce biais, PROMPTIF touche une commission et vous payez le même prix. Cela n'influence pas le contenu, y compris les passages critiques.