Le speech-to-text écoute. La synthèse vocale répond. Les assistants vocaux ont besoin des deux.
Comment ça marche
Une API TTS reçoit trois choses : le texte, une voix et un format audio. Voici la forme de l’exemple Python du guide d’OpenAI :
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Today is a wonderful day to build something people love!",
instructions="Speak in a cheerful and positive tone.",
) as response:
response.stream_to_file("speech.mp3")
Ce guide documente l’endpoint /v1/audio/speech, 13 voix intégrées et les formats de sortie MP3 (par défaut), Opus, AAC, FLAC, WAV et PCM, le PCM étant des échantillons bruts 24 kHz 16 bits sans en-tête. Il prend en charge le streaming par chunked transfer encoding, ce qui permet de démarrer la lecture avant que le fichier soit terminé, et recommande WAV ou PCM pour les réponses les plus rapides. Le guide marque aussi tts-1, tts-1-hd et gpt-4o-mini-tts comme dépréciés, avec un arrêt le 6 janvier 2027. Vérifiez la liste actuelle des modèles avant de bâtir sur l’un d’eux.
Beaucoup de moteurs acceptent aussi le SSML, le balisage XML du W3C pour la synthèse. L’élément racine <speak> déclare version="1.1" et xml:lang. Parmi les autres éléments : <break> pour les pauses, <say-as> pour signaler des dates ou des nombres, <phoneme> pour une prononciation exacte (par exemple en alphabet phonétique international) et <lang> pour une expression dans une autre langue :
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Pourquoi c’est important
- Les produits vocaux sont des pipelines. Un voicebot, c’est du speech-to-text, puis un modèle de chat, puis du TTS. Chaque étape ajoute de la latence et du coût, et chacune peut venir d’un fournisseur différent.
- Choix du format. Le format de sortie détermine la taille et la compatibilité de lecture. WhatsApp, par exemple, lit les messages vocaux en Ogg Opus.
- Information. OpenAI exige d’informer les utilisateurs finaux qu’une voix TTS est générée par IA.
Sur BroadNet Inference
BroadNet ne propose pas de synthèse vocale. Sa référence d’API documente uniquement POST /v1/chat/completions et POST /v1/audio/transcriptions. BroadNet propose l’autre sens : BroadNet Transcribe Arabic et BroadNet Transcribe transforment de l’audio WAV ou MP3 en texte, à $0.0042 et $0.002 la minute. BroadNet ne propose pas non plus de voix en direct ou en temps réel.
Si votre produit doit parler, associez la transcription et le chat de BroadNet à un fournisseur TTS distinct. Texte, parole et vision indique quelles tâches BroadNet couvre et où il vous faut un autre service, et l’article sur l’architecture d’un chatbot WhatsApp montre le volet messages vocaux du pipeline.
Erreurs fréquentes
- Confondre TTS et STT. Les API de speech-to-text ne génèrent pas d’audio. Vérifiez la liste des endpoints, pas seulement le mot « speech ».
- Supposer que le SSML marche partout. Beaucoup d’API n’acceptent que du texte brut ou un sous-ensemble du SSML.