Dernière mise à jour : 2026-06-22

Le coût de synthèse vocale expliqué

Le coût de synthèse vocale d'une API de synthèse de parole est le prix facturé pour transformer du texte écrit en audio parlé, calculé à partir du nombre de caractères d'entrée et du tarif au million de caractères publié par le fournisseur. Toute personne qui produit des voix off, des brouillons de livres audio, des narrations d'accessibilité ou des réponses parlées d'assistant a besoin de ce chiffre, car la synthèse est facturée selon les caractères du texte d'entrée plutôt que selon la durée de l'audio produit.

Comment la synthèse est facturée

Les fournisseurs de synthèse vocale comptent les caractères du texte soumis — lettres, espaces et ponctuation inclus — et facturent au million de caractères. C'est l'image inversée de la transcription, qui facture à la durée de l'audio. Cela diffère aussi des modèles de langage textuels, qui facturent aux tokens. Comme un seul caractère coûte une infime fraction de centime, les fournisseurs publient le tarif au million de caractères pour que le chiffre annoncé reste lisible.

La formule

Pour $n$ caractères d'entrée à un prix $p$ par million de caractères, le coût est

La division par $10^6$ convertit le tarif au million en un tarif au caractère avant de le multiplier par le nombre de caractères. La relation est linéaire : doubler le texte double le coût.

Exemple détaillé

Prenons un script de narration de 8 400 caractères synthétisé à $15 le million de caractères, un tarif publié pour un palier de voix de meilleure qualité. Le coût est

le script revient donc à environ treize centimes de dollar à vocaliser. Un brouillon de livre audio de 50 000 mots — soit environ 300 000 caractères — coûterait autour de $4,50 au même tarif, ce qui rend la synthèse praticable pour itérer sur des narrations longues.

Remarques et variantes

Le tarif dépend du palier de voix. Un palier standard coûte moins cher au caractère qu'un palier haute fidélité offrant une prosodie plus naturelle ; réglez donc le tarif sur le palier que vous comptez utiliser. Certains fournisseurs comptent un caractère multioctet comme un seul caractère et d'autres comptent ses octets, ce qui change la donne pour les écritures non latines ; vérifiez la règle de comptage avant d'établir un budget dans ces langues. Resynthétiser le même texte après une modification est facturé de nouveau au nombre de caractères complet.

Application

Le coût par script est la brique de base des budgets de narration : le multiplier par le nombre de scripts permet d'estimer la dépense récurrente. Pour le sens inverse — transcrire de l'audio en texte plutôt que le synthétiser — voir le Calcul du coût de transcription audio. Lorsque la synthèse est associée à un modèle de langage qui rédige le texte, le volet prompt et complétion est traité par le Calculateur de coût en jetons.