La voix devient une interface de production : quoi utiliser et quoi surveiller en 2026

Synthèse vocale (TTS) : offres commerciales et modèles ouverts

Ce qui est vérifié en septembre 2026, et ce que vous devez tester vous-même en espagnol et en français.

Quoi tester. Notre règle : rédigez 50 phrases difficiles par langue (chiffres, dates et montants avec les séparateurs locaux, SIRET, noms propres, sigles, termes anglais), générez-les avec deux ou trois fournisseurs et organisez une écoute à l'aveugle avec cinq personnes du public cible. Une voix à l'accent d'Espagne peut sonner étrangère à Bogotá, et le français du Québec n'est pas celui de Paris.

Transcription (STT) : précision, diarisation et migrations

OpenAI renouvelle sa gamme : GPT Transcribe (fichiers) et GPT Live Transcribe (faible latence) coûtent 0,017 $ la minute, comme GPT-Realtime-Whisper, son modèle de transcription en streaming sorti en mai. whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe et gpt-4o-transcribe-diarize quittent l'API le 26 février 2027. Si vous payez aujourd'hui l'ancien Whisper à 0,006 $ la minute, votre coût va presque tripler à la migration.

Google affiche Gemini 3.5 Transcribe à environ 0,005 $ la minute. ElevenLabs propose scribe_v2 (plus de 90 langues), scribe_v2_realtime (environ 150 ms selon l'éditeur) et scribe_v2_medical pour l'audio clinique. Côté poids ouverts sous licence claire : Whisper large-v3-turbo (environ 809 millions de paramètres, MIT), NVIDIA Parakeet TDT 0.6B v3 (CC-BY-4.0, 25 langues européennes) et Mistral Voxtral Mini 3B (Apache 2.0, espagnol et français inclus).

Précision : mesurez sur votre audio. Le WER d'un classement public ne dit pas comment se comportera votre centre de contact. Testez l'audio téléphonique en 8 kHz avec du vrai bruit, les accents régionaux et les chiffres dictés (numéros client, SIRET, immatriculations) : OpenAI a d'ailleurs mis en avant une meilleure reconnaissance alphanumérique dans GPT-Realtime-2.1 en juillet 2026. Si vous dépendez de la diarisation, vérifiez que le remplaçant de gpt-4o-transcribe-diarize couvre votre cas avant 2027.

Agents vocaux : voix à voix ou cascade

Voix à voix. Un seul modèle reçoit de l'audio et répond en audio. GPT-Live-1 est full duplex (il écoute pendant qu'il parle) et délègue le raisonnement et les outils à un agent backend. Il ne tourne que sur l'endpoint Live d'OpenAI et ses limites se comptent en sessions simultanées : de 25 au niveau 1 à 500 au niveau 5, sans offre gratuite. Google présente Gemini 3.8 Live comme le modèle par défaut de sa Live API pour les agents à faible latence.

Cascade. STT en streaming, un LLM avec outils et TTS en streaming, chaque brique étant remplaçable. Vous gagnez en contrôle : vous voyez le texte de chaque tour, appliquez des règles avant que quoi que ce soit ne soit prononcé et choisissez la meilleure voix française. Vous le payez en latence et en ingénierie des tours de parole.

Notre règle de décision : si la conversation est ouverte et que le naturel compte plus que le contrôle, commencez par le voix à voix. S'il y a des démarches avec données personnelles, des règles métier ou des besoins d'audit, commencez par une cascade, ou par un modèle voix à voix qui délègue à un backend où vous gardez la main sur les outils et les règles, ce que propose GPT-Live-1. Plus de détails dans les agents d'IA en production.

Latence, tours de parole et interruptions

Un budget par étape et cinq règles pour que la conversation ne sonne pas robotique.

Interruptions (barge-in) et tours de parole

1. Continuez d'écouter pendant que l'agent parle, avec annulation d'écho.
2. Si l'utilisateur interrompt, coupez le son et retirez de l'historique ce qui n'a pas été dit : le modèle doit savoir ce que la personne a entendu.
3. Ne comptez pas un « hmm » ou une toux comme une interruption ; réglez le seuil sur de vrais enregistrements.
4. Détectez la fin de tour par le sens, pas seulement par le silence : quelqu'un qui dicte un numéro marque des pauses.
5. Relisez les données critiques (identifiants, montants, dates) et faites confirmer avant d'agir.

Musique générée : modèles, procès et licences

Le marché passe de l'entraînement sans autorisation aux modèles sous licence, au rythme des tribunaux.

Suno résume la période. Sa v6 a été construite avec Warner, BMG et Believe, et l'entreprise retire tous ses modèles précédents. Sony et Universal, qui n'ont pas signé, soutiennent que v6 « blanchit » la contrefaçon passée parce qu'il a été entraîné en partie sur les sorties des anciens modèles.

En Europe, le tribunal régional de Munich a jugé le 31 juillet 2026 que Suno avait porté atteinte aux droits en s'entraînant sans licence sur des œuvres de la GEMA et en reproduisant des œuvres qui reprennent la mélodie, l'harmonie et le rythme de chansons célèbres.

Si votre marque utilise de la musique générée

• Choisissez des offres avec droits commerciaux explicites : chez Suno, les téléchargements Pro et Premier les incluent, ceux de l'offre gratuite sont réservés à un usage personnel.
• Conservez la preuve de chaque élément de campagne : outil, offre, date, prompt et fichier.
• Ne demandez pas d'imiter un artiste précis ni une voix reconnaissable.
• Attendez-vous à des frictions de diffusion : Deezer indique que plus de 50 % des nouveaux titres mis en ligne en juin 2026 étaient entièrement générés par IA et les exclut de ses recommandations.

Clonage de voix : consentement, filigranes et fraude

Le clonage de voix est devenu une fonction produit : depuis v5.5 (mars 2026), Suno permet d'enregistrer sa propre voix et de la réutiliser dans des chansons. La règle est le consentement explicite : un contrat qui précise quelle voix, pour quels usages, dans quelles langues, pour quelle durée et comment le révoquer.

Depuis le 2 août 2026, l'article 50 de l'AI Act impose de marquer l'audio synthétique de façon détectable par machine et de signaler les deepfakes audio ; le code de bonnes pratiques de la Commission demande des métadonnées signées et un filigrane. Le NIST a conclu qu'aucune technique de provenance ou de détection ne suffit seule.

Architecture de référence et conformité : un agent vocal en espagnol

1. Entrée : téléphonie SIP ou WebRTC avec un message d'accueil : vous parlez à une IA, l'appel est enregistré, dans quel but et comment joindre un humain.
2. Moteur : voix à voix ou cascade, derrière votre propre interface pour changer de fournisseur.
3. Voix : STT et TTS choisis avec votre test de 50 phrases en espagnol de Colombie, et une voix de marque sous contrat.
4. Backend : un LLM avec des outils stricts (CRM, commandes, tickets), le moindre privilège, une confirmation orale avant toute modification et des défenses contre l'injection de prompt.
5. Transfert : vers un humain, avec un résumé, à la demande de l'utilisateur ou après deux échecs ; l'identité se vérifie par un facteur autre que la voix.
6. Exploitation : latence p50 et p95, échantillon de transcriptions relu, taux de résolution sans humain et suppression automatique des enregistrements à l'échéance.

Conformité

Union européenne. Depuis le 2 août 2026, l'article 50 de l'AI Act impose d'indiquer clairement, au plus tard lors de la première interaction, que l'on parle à une IA ; l'amende peut atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial, le montant le plus élevé étant retenu. Un enregistrement est une donnée personnelle au sens du RGPD, et une empreinte vocale servant à identifier une personne est une donnée biométrique de catégorie particulière (article 9) qui exige en pratique, le plus souvent, un consentement explicite. Déduire par IA les émotions de vos propres salariés est interdit depuis février 2025, sauf pour raisons médicales ou de sécurité.

Colombie. La loi 1581 de 2012 exige une autorisation préalable et éclairée que vous puissiez prouver ensuite (article 9) : conservez le message d'accueil et l'acceptation avec chaque appel. Les données biométriques sont sensibles (articles 5 et 6) et demandent une autorisation explicite, et confier l'audio à un prestataire à l'étranger suppose un contrat de transmission (décret 1074 de 2015) ou, pour un transfert, le respect de l'article 26. Il n'existe pas encore de loi sur l'IA, mais la loi 2502 de 2025 fait déjà de l'usurpation d'identité par IA une circonstance aggravante. Détails dans notre carte réglementaire 2026.