Sur un seul GPU NVIDIA V100, le vocodeur HiFi-GAN V3 a généré de l’audio 1 186,80 fois plus vite que le temps réel, tandis qu’un WaveNet autorégressif atteignait 0,003 fois le temps réel sur la même carte (Kong et al., HiFi-GAN 2020). Cet écart, de plus de cinq ordres de grandeur, explique pourquoi la synthèse vocale est passée d’un luxe de centre de données à quelque chose qu’un téléphone sait faire. Le goulot d’étranglement s’est depuis déplacé : l’article original de F5-TTS, un grand modèle zero-shot, a rapporté 0,15 seconde de temps GPU par seconde de parole (Chen et al., F5-TTS 2024), et un test de diffusion en continu sur un seul A100 a mesuré un premier son compris entre 102 ms et 1 643 ms selon le système (KTH, VoXtream 2025). Côté prix, les tarifs catalogue des grands clouds vont de $4 à $160 par million de caractères, soit un écart de 1 à 40 pour la même unité de texte. Nous avons agrégé des données issues d’articles évalués par des pairs et d’arXiv de KTH, Kyutai et Apple, de la documentation de performance Riva de NVIDIA et des pages tarifaires officielles de Google Cloud, Amazon Web Services, Microsoft Azure et OpenAI ; les scores de qualité sont traités séparément dans nos statistiques MOS de la parole synthétique.
Une remarque sur l’unité utilisée tout au long de cet article : le facteur temps réel (RTF) désigne normalement le temps de calcul divisé par la durée audio, de sorte qu’un RTF de 0,1 signifie qu’une seconde de parole prend 0,1 seconde à générer, et plus c’est bas, mieux c’est. Plusieurs sources inversent le ratio et indiquent combien de secondes d’audio sortent par seconde de calcul (NVIDIA appelle cela RTFX, et certains articles l’écrivent « fois plus rapide que le temps réel »), où plus c’est haut, mieux c’est. Dans les tableaux, RTF suit la convention « plus bas, plus rapide » sauf si une ligne indique « fois le temps réel », « RTFX » ou « plus haut, plus rapide ».
TL;DR
- FastSpeech 2 a ramené le RTF de 0,932 pour Transformer TTS à 0,0195, soit une accélération de 47,8x (Ren et al., FastSpeech 2 2020).
- Matcha-TTS avec 2 étapes d’échantillonnage a mesuré un RTF de 0,015 vocodeur compris (Mehta et al., Matcha-TTS 2023).
- F5-TTS a rapporté un RTF de 0,15 à 16 étapes contre 0,92 pour CosyVoice dans son tableau comparatif (Chen et al., F5-TTS 2024).
- VoXtream a atteint une latence du premier paquet de 102 ms sur un A100, tandis que CosyVoice2 en mode flux complet a pris 1 643 ms dans le même test (KTH, VoXtream 2025).
- La latence de DSM-TTS de Kyutai est passée de 150 ms avec une taille de lot de 1 à 403 ms avec une taille de lot de 64, tandis que le débit atteignait 137,3 fois le temps réel (Kyutai, DSM-TTS 2025).
- Le pipeline FastPitch plus HiFi-GAN de NVIDIA Riva est passé d’une latence du premier son de 22 ms avec 1 flux à 323 ms avec 32 flux (documentation NVIDIA Riva 2.16.0, exécuté par le fournisseur).
- Le système embarqué d’Apple a tourné de 1,47 à 3,03 fois plus vite que le temps réel sur deux appareils mobiles (Apple, On-device neural speech synthesis 2021).
- Mobile PresenTra de NICT a atteint un RTF par lot d’environ 0,3 sur un Google Pixel 5 de milieu de gamme (Okamoto et al., Mobile PresenTra, Interspeech 2024).
- Réduire SupertonicTTS de 8 à 4 étapes d’échantillonnage a fait passer le taux d’erreur sur les mots de 2,818% à 11,43% (Supertone, SupertonicTTS 2025).
- Fast F5-TTS a tourné environ 4 fois plus vite que la référence à 32 étapes, tandis que le taux d’erreur sur les mots passait de 2,37% à 2,45% (Zheng et al., Interspeech 2025).
- Google Cloud affiche $4 par million de caractères pour les voix Standard et $160 pour les voix Studio (tarifs Google Cloud Text-to-Speech 2026).
- Amazon équivaut 1 million de caractères à environ 23 heures 8 minutes de parole, ce qui place Polly Generative à environ $1,30 par heure d’audio (tarifs AWS Amazon Polly 2026).
1. Facteur temps réel par famille de modèles sur GPU
Le premier grand bond de vitesse est venu de l’abandon de l’autorégression dans le modèle acoustique, la partie qui transforme le texte en spectrogramme mel (une image temps-fréquence de la parole). FastSpeech 2 a mesuré un RTF de 0,0195 contre 0,932 pour Transformer TTS sur le même serveur V100, soit une accélération d’inférence de 47,8x (Ren et al., FastSpeech 2). Dès qu’un modèle prédit toutes les trames en parallèle, il n’a plus à attendre sa propre sortie précédente, trame après trame.
Les familles plus récentes n’ont pas annulé ce gain, mais l’ont réparti. Les modèles de diffusion et d’appariement de flux comme Grad-TTS et Matcha-TTS échangent quelques passes de réseau supplémentaires contre une meilleure qualité, et dans le banc d’essai de Matcha-TTS sur des GPU RTX 3090, tous les systèmes testés sont restés sous un RTF de 0,08 vocodage compris (Mehta et al., Matcha-TTS). Le chiffre intéressant n’est pas la moyenne mais la dispersion : VITS a affiché 0,074 avec un écart type de 0,083, supérieur à la moyenne elle-même, ce qui signale une vitesse très inégale d’une phrase à l’autre.
| Métrique | Valeur | Source |
|---|---|---|
| RTF de Transformer TTS, GPU V100, taille de lot 1 (plus bas, plus rapide) | 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF de FastSpeech 2 et accélération par rapport à Transformer TTS, même configuration | 0,0195 (47,8x) | Ren et al., FastSpeech 2 2020 |
| RTF de FastSpeech 2s (du texte directement à la forme d’onde) et accélération | 0,0180 (51,8x) | Ren et al., FastSpeech 2 2020 |
| RTF de FastSpeech 2 dans le test de Matcha-TTS, vocodeur compris, RTX 3090 | 0,010 (écart type 0,004) | Mehta et al., Matcha-TTS 2023 |
| RTF de Matcha-TTS avec 2 étapes d’échantillonnage contre 10 étapes d’échantillonnage | 0,015 contre 0,038 | Mehta et al., Matcha-TTS 2023 |
| RTF de Grad-TTS avec 10 étapes d’échantillonnage | 0,049 | Mehta et al., Matcha-TTS 2023 |
| RTF de VITS dans le test de Matcha-TTS (moyenne et écart type) | 0,074 (0,083) | Mehta et al., Matcha-TTS 2023 |
| RTF de StyleTTS 2 contre RTF de VITS dans le test de StyleTTS 2 | 0,0185 contre 0,0599 | Li et al., StyleTTS 2 2023 |
Données les plus récentes disponibles : FastSpeech 2 (2020), StyleTTS 2 (2023) et Matcha-TTS (2023), toutes âgées de plus de trois ans. Les valeurs de RTF issues de différents articles ne sont pas directement comparables, car les GPU, les tailles de lot et l’inclusion ou non du vocodeur diffèrent. Les auteurs de Matcha-TTS indiquent aussi que leur modèle à 2 étapes devient compétitif avec FastSpeech 2 sur des énoncés plus longs.
2. Vocodeurs : où part la puissance de calcul
Un vocodeur convertit le spectrogramme mel en une forme d’onde audible, et pendant des années il a été la moitié coûteuse du pipeline. WaveNet a produit 0,07 kHz d’audio sur un GPU V100, soit 0,003 fois le temps réel, tandis que HiFi-GAN V1 en a produit 3 701 kHz, soit 167,86 fois le temps réel (Kong et al., HiFi-GAN). Le point n’est pas seulement que les vocodeurs GAN sont rapides ; c’est que le vocodeur a cessé d’être la raison pour laquelle un produit de synthèse vocale avait besoin d’un GPU.
Le même schéma se répète aujourd’hui dans les systèmes en diffusion continue. L’article SpeakStream d’Apple montre le modèle acoustique prenant environ 28 ms tandis qu’un vocodeur Parallel WaveGAN (PWG) ajoutait 152 ms ; passer à un vocodeur en diffusion continue a ramené cette étape à 13 ms (Apple, SpeakStream). Autrement dit, le choix du vocodeur à lui seul a décidé si le premier son arrivait en environ 40 ms ou en environ 180 ms.
| Métrique | Valeur | Source |
|---|---|---|
| Vitesse de WaveNet (MoL) contre WaveGlow contre MelGAN sur un GPU V100, en fois le temps réel (plus haut, plus rapide) | 0,003x contre 22,75x contre 645,73x | Kong et al., HiFi-GAN 2020 |
| Vitesse de HiFi-GAN V1 contre HiFi-GAN V3 sur un GPU V100, en fois le temps réel | 167,86x contre 1 186,80x | Kong et al., HiFi-GAN 2020 |
| RTF du vocodeur BigVGAN contre RTF de l’autoencodeur de parole de SupertonicTTS, RTX 4090 (plus bas, plus rapide) | 0,0124 contre 0,0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream sur un Mac mini M4 Pro, avec PWG contre avec le vocodeur en diffusion continue VocStream : durée du vocodeur et durée totale avant le premier son | 152 ms contre 13 ms ; 180 ms contre 40 ms | Apple, SpeakStream 2025 |
Données les plus récentes disponibles : Kong et al., HiFi-GAN 2020, mesuré en virgule flottante 32 bits sans autre optimisation. Dans le test de Matcha-TTS, le vocodeur seul tournait à un RTF de 0,001, il ne représentait donc dans cette configuration qu’une petite fraction du temps total de synthèse (Matcha-TTS).
3. Grands modèles zero-shot : le coût en vitesse du clonage vocal à grande échelle
Les modèles zero-shot, qui imitent une nouvelle voix à partir d’une courte invite sans réentraînement, ont remis la vitesse au centre de la discussion. Le tableau comparatif de F5-TTS donne à CosyVoice un RTF de 0,92 et à FireRedTTS 0,84, ce qui signifie que chaque seconde de parole demandait la majeure partie d’une seconde de calcul (Chen et al., F5-TTS). F5-TTS lui-même a rapporté 0,15 avec 16 étapes d’échantillonnage sur une RTX 3090, soit environ 6,7 fois plus rapide que le temps réel (1 divisé par 0,15). C’est assez rapide pour du travail de livres audio par lots, mais juste pour servir de nombreux utilisateurs en direct depuis une seule carte.
Les modèles plus petits comblent l’écart. SupertonicTTS, avec 44M de paramètres, a rapporté 0,02 sur une RTX 4090 et 0,05 sur une RTX 3090, contre 0,31 pour F5-TTS à 32 étapes sur la RTX 3090 (Supertone, SupertonicTTS). Pour les équipes qui évaluent un générateur de voix IA, le nombre de paramètres seul est un mauvais indicateur du coût de service : le tableau ci-dessous donne DiTTo-TTS à 740M de paramètres comme plus rapide que Voicebox à 330M, bien que ces deux chiffres puissent ne pas provenir du même matériel.
| Métrique | Valeur | Source |
|---|---|---|
| RTF de F5-TTS, 16 contre 32 étapes d’échantillonnage, RTX 3090, 10 s de parole (plus bas, plus rapide) | 0,15 contre 0,31 | Chen et al., F5-TTS 2024 |
| RTF de CosyVoice (environ 300M de paramètres) contre FireRedTTS (environ 580M) | 0,92 contre 0,84 | Chen et al., F5-TTS 2024 |
| RTF de Voicebox (330M) contre VALL-E 2 | 0,64 contre 0,732 | Chen et al., F5-TTS 2024 |
| RTF de DiTTo-TTS (740M) contre NaturalSpeech 3 (500M) | 0,162 contre 0,296 | Chen et al., F5-TTS 2024 |
| RTF de SupertonicTTS (44M) sur RTX 4090 contre RTX 3090 | 0,02 contre 0,05 | Supertone, SupertonicTTS 2025 |
| Multiple du temps réel avec une taille de lot de 1 (plus haut, plus rapide) : DSM-TTS contre Chatterbox contre CSM | 3,2 contre 1,8 contre 1,0 | Kyutai, DSM-TTS 2025 |
| Multiple du temps réel avec une taille de lot de 1 : Dia et Orpheus | 0,7 chacun (plus lent que le temps réel) | Kyutai, DSM-TTS 2025 |
Note de contexte : l’article de F5-TTS ne précise pas comment les valeurs de RTF de référence ont été mesurées, et elles ne partagent peut-être pas sa RTX 3090 ; considérez donc les lignes 2 à 4 comme indicatives. Un article ultérieur a mesuré F5-TTS lui-même à 0,065 et 0,123 sur une RTX 3090 (voir la section 6). Le tableau de Kyutai utilise la convention inversée, où une valeur inférieure à 1,0 signifie que le modèle ne tient pas le rythme de la lecture.
4. Délai avant le premier son en diffusion continue et concurrence de service
Pour un usage en direct, le chiffre qui compte n’est pas le RTF mais le temps d’attente de l’auditeur avant le premier son. Dans un banc d’essai sur A100, VoXtream avec torch.compile a commencé à parler après 102 ms, tandis que CosyVoice2 en mode flux complet a pris 1 643 ms (KTH, VoXtream). Le flux complet signifie que le modèle démarre alors que le texte arrive encore ; un système peut avoir un RTF correct et pourtant une mauvaise latence du premier paquet s’il attend des phrases entières.
La concurrence est l’autre moitié. Regrouper plus d’utilisateurs sur un même GPU augmente le débit total mais allonge l’attente de chacun. DSM-TTS de Kyutai est passé de 150 ms avec une taille de lot de 1 à 403 ms avec une taille de lot de 64, tandis que le débit passait de 3,2 à 137,3 fois le temps réel (Kyutai, DSM-TTS). Les propres tableaux Riva de NVIDIA montrent la même courbe sur un pipeline FastPitch plus HiFi-GAN : la latence du premier son a été multipliée par environ 15 de 1 à 32 flux, tandis que le débit était multiplié par environ 2,9 (performances TTS de NVIDIA Riva). La façon dont ces chiffres s’inscrivent dans un budget de latence complet d’agent vocal est détaillée dans nos statistiques sur le délai avant le premier son des agents vocaux.
| Métrique | Valeur | Source |
|---|---|---|
| Latence du premier paquet et RTF de VoXtream avec torch.compile, A100, FP16 | 102 ms (RTF 0,17) | KTH, VoXtream 2025 |
| Latence du premier paquet et RTF de VoXtream sans compilation | 171 ms (RTF 1,00) | KTH, VoXtream 2025 |
| Latence du premier paquet de XTTS-v2, sortie en diffusion continue, sans contre avec DeepSpeed | 295 ms contre 196 ms | KTH, VoXtream 2025 |
| Latence du premier paquet et RTF de CosyVoice2, mode flux complet, même test sur A100 | 1 643 ms (RTF 0,85) | KTH, VoXtream 2025 |
| Latence de DSM-TTS avec une taille de lot de 1 contre 32 contre 64 | 150 ms contre 380 ms contre 403 ms | Kyutai, DSM-TTS 2025 |
| Débit de DSM-TTS avec une taille de lot de 64, en fois le temps réel | 137,3x | Kyutai, DSM-TTS 2025 |
| Latence moyenne du premier son de Riva FastPitch plus HiFi-GAN, 1 flux contre 32 flux | 22 ms contre 323 ms | Documentation NVIDIA Riva 2.16.0 (exécuté par le fournisseur) |
| Débit de Riva (RTFX, plus haut, plus rapide), 1 flux contre 32 flux | 150,8 contre 440 | Documentation NVIDIA Riva 2.16.0 (exécuté par le fournisseur) |
Note de contexte : le README du projet CosyVoice revendique une latence « aussi basse que 150 ms » pour son nouveau modèle Fun-CosyVoice 3.0 (FunAudioLLM CosyVoice sur GitHub), une revendication du projet pour une version différente de celle que KTH a mesurée. Nous ne nommons pas de GPU pour les lignes Riva : ce sont les premiers tableaux de résultats de la page de NVIDIA, dont la liste de GPU commence par l’A100, mais le texte de la page que nous avons pu lire ne rattachait pas chaque tableau à son étiquette de GPU.
5. CPU, mobile et matériel embarqué
Hors du GPU, les marges de vitesse fondent vite. HiFi-GAN V1, qui tournait 167,86 fois plus vite que le temps réel sur un V100, n’a atteint que 1,43 fois le temps réel sur un CPU Intel i7 d’ordinateur portable, tandis que WaveGlow tombait à 0,21 fois, trop lent pour une lecture en direct (Kong et al., HiFi-GAN). Le modèle qui gagne sur un serveur est souvent le mauvais pour un portable, et le HiFi-GAN V3, plus petit (13,44 fois le temps réel sur le même CPU), montre à quel point les choix d’architecture comptent ici.
Des modèles réduits conçus à dessein vont beaucoup plus loin. EfficientSpeech, avec 266k paramètres et 90 MFLOPS, a généré des spectrogrammes mel 104,3 fois plus vite que le temps réel sur un Raspberry Pi 4, soit environ 1% de la taille et du calcul de modèles compacts comme Mixer-TTS (EfficientSpeech). Les travaux d’Apple sur l’embarqué ont montré le pipeline complet tournant sur deux appareils mobiles, avec le premier tampon audio lu 158 à 179 ms après la requête (Apple, On-device neural speech synthesis). Les tendances matérielles derrière ce basculement sont suivies dans nos statistiques sur les processeurs vocaux IA en périphérie.
Les mesures les plus récentes montrent à quel point le choix de conception compte sur une même puce. Sur un seul thread d’un AMD EPYC 7413, un modèle en diffusion continue de Samsung Research a atteint un RTF de 0,568 et produit son premier jeton acoustique en 0,061 s, contre 7,665 et 41,41 s pour VALL-E X (Lee et al., Interspeech 2025). NICT a rapporté un RTF par lot d’environ 0,3 et une latence incrémentale de moins de 0,5 s sur un Google Pixel 5, qu’il décrit comme un téléphone de milieu de gamme (Okamoto et al., Mobile PresenTra).
| Métrique | Valeur | Source |
|---|---|---|
| Vitesse de HiFi-GAN V1 contre HiFi-GAN V3 contre WaveGlow sur un CPU Intel i7 d’ordinateur portable, en fois le temps réel | 1,43x contre 13,44x contre 0,21x | Kong et al., HiFi-GAN 2020 |
| Vitesse de synthèse de bout en bout d’Apple, appareil mobile A contre appareil B, en fois le temps réel | 1,47x contre 3,03x | Apple, On-device neural speech synthesis 2021 |
| Latence perçue par le client chez Apple (de la requête à la lecture du premier tampon audio), appareil A contre appareil B | 179 ms contre 158 ms | Apple, On-device neural speech synthesis 2021 |
| Mobile PresenTra sur un Google Pixel 5 : RTF par lot ; latence incrémentale | environ 0,3 ; moins de 0,5 s | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF sur un thread de CPU AMD EPYC 7413, génération de jetons uniquement (plus bas, plus rapide) : SMAM+INR contre Small-E contre VALL-E X | 0,568 contre 2,404 contre 7,665 | Lee et al. (Samsung Research), Interspeech 2025 |
| Délai avant le premier jeton acoustique sur le même thread de CPU : SMAM+INR contre Small-E contre VALL-E X | 0,061 s contre 14,34 s contre 41,41 s | Lee et al. (Samsung Research), Interspeech 2025 |
| Paramètres d’EfficientSpeech et vitesse de génération du spectrogramme mel sur un Raspberry Pi 4 | 266k paramètres, 104,3x le temps réel | EfficientSpeech 2023 |
| Nix-TTS contre son modèle enseignant VITS, RTF sur un Raspberry Pi 3B (au-dessus de 1,0, c’est plus lent que le temps réel) | 1,974 contre 16,50 | Nix-TTS 2022 |
Données les plus récentes disponibles : Kong et al. 2020, Apple 2021, Nix-TTS 2022 et EfficientSpeech 2023 ont plus de trois ans ; nous n’avons trouvé aucun chiffre évalué par des pairs plus récent pour ces comparaisons précises. Le résumé d’Apple arrondit le chiffre mobile à « 3x plus rapide que le temps réel », mais son tableau donne 1,47x pour l’appareil A. Le chiffre d’EfficientSpeech ne couvre que la génération du spectrogramme mel, pas le vocodeur, et les lignes de Samsung excluent le traitement du codec : aucun des deux n’est donc un pipeline de synthèse complet.
6. Le compromis entre vitesse et qualité
Les modèles de diffusion et d’appariement de flux exposent la vitesse comme un cadran : le nombre d’étapes d’échantillonnage (évaluations de la fonction du réseau, ou NFE). SupertonicTTS a maintenu son taux d’erreur sur les mots entre 2,639% et 2,818% de 8 à 128 étapes, mais à 4 étapes le taux d’erreur a bondi à 11,43% et le score de qualité NISQA est tombé à 2,623 (Supertone, SupertonicTTS). L’intelligibilité ne s’estompe pas progressivement ; elle reste stable puis s’effondre au bord d’une falaise, si bien que le réglage sûr le moins coûteux se situe juste au-dessus.
Cette falaise peut se déplacer sans nouveau matériel. Sur une RTX 3090, F5-TTS à 7 étapes régulièrement espacées et Fast F5-TTS à 7 étapes élaguées ont tous deux tourné à un RTF de 0,030, mais le seul choix de l’emplacement des étapes a fait passer le taux d’erreur sur les mots de 4,16% à 2,45%, proche des 2,37% de la référence à 32 étapes avec un RTF de 0,123 (Zheng et al., Interspeech 2025).
La même forme apparaît dans les vocodeurs et la diffusion continue. HiFi-GAN V3 a tourné environ 7,07 fois plus vite que V1 sur un GPU V100 (26 169 kHz divisé par 3 701 kHz), pour une baisse du MOS de 4,36 à 4,05 (Kong et al., HiFi-GAN). CosyVoice 2 a qualifié son mode en diffusion continue de « presque sans perte dans les cas de test typiques », pourtant sur son jeu de test difficile le taux d’erreur sur les mots est passé de 6,83% hors ligne à 8,08% en diffusion continue (CosyVoice 2).
| Métrique | Valeur | Source |
|---|---|---|
| SupertonicTTS à 4 contre 8 étapes d’échantillonnage : RTF ; taux d’erreur sur les mots ; score NISQA | 0,006 contre 0,011 ; 11,43% contre 2,818% ; 2,623 contre 3,916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS à 32 étapes (réglage retenu) contre 128 étapes : RTF ; score NISQA (les enregistrements obtiennent 4,070) | 0,037 contre 0,140 ; 4,033 contre 4,070 | Supertone, SupertonicTTS 2025 |
| RTF de F5-TTS sur une RTX 3090 à 32 contre 16 contre 7 étapes d’échantillonnage | 0,123 contre 0,065 contre 0,030 | Zheng et al., Interspeech 2025 |
| Taux d’erreur sur les mots sur LibriSpeech-PC à 7 étapes, F5-TTS à espacement régulier contre Fast F5-TTS (référence à 32 étapes 2,37%) | 4,16% contre 2,45% | Zheng et al., Interspeech 2025 |
| MOS de Matcha-TTS avec 2 contre 10 étapes d’échantillonnage | 3,65 contre 3,84 | Mehta et al., Matcha-TTS 2023 |
| Taux d’erreur sur les mots de CosyVoice 2 sur le jeu de test difficile, hors ligne contre diffusion continue | 6,83% contre 8,08% | CosyVoice 2 2024 |
| RTF de StyleTTS 2 avec 4 contre 128 étapes de diffusion | 0,0179 contre 0,0963 | Li et al., StyleTTS 2 2023 |
Note de contexte : NISQA est un prédicteur automatique et non intrusif de la qualité de la parole, qui estime un score de type auditeur sans enregistrement de référence ; ce n’est pas un test d’écoute humain. Le tableau des étapes de SupertonicTTS n’indique pas son matériel, et son 0,037 à 32 étapes diffère du 0,02 rapporté ailleurs dans le même article.
7. Prix par million de caractères et par heure d’audio
Les prix catalogue montrent un marché segmenté en niveaux plutôt qu’un tarif unique. Google Cloud facture $4 par million de caractères pour les voix Standard et WaveNet mais $160 pour les voix Studio, soit une différence de 1 à 40 pour le même texte (tarifs Google Cloud Text-to-Speech). Amazon Polly va de $4 pour Standard à $100 pour les voix Long-Form, et son propre exemple équivaut 1 million de caractères à environ 23 heures et 8 minutes de parole (tarifs AWS Amazon Polly).
Avec cette conversion d’AWS (23 heures 8 minutes font environ 23,13 heures), Polly Generative à $30 revient à environ $1,30 par heure d’audio (30 divisé par 23,13), et Standard à environ $0,17. Les modèles tarifés au jeton demandent un autre calcul : Google indique que l’audio de Gemini TTS représente 25 jetons par seconde, donc une heure fait 90 000 jetons audio, et Gemini 2.5 Pro TTS à $20 par million de jetons audio revient à $1,80 par heure de sortie avant les frais d’entrée de texte. Les modèles à poids ouverts compriment encore cela : Artificial Analysis liste Kokoro 82M sur Replicate à $0,65 par million de caractères (classement synthèse vocale d’Artificial Analysis). Pour l’économie plus large des GPU derrière ces prix, voir nos statistiques sur le coût d’inférence de l’IA.
| Métrique | Valeur | Source |
|---|---|---|
| Prix catalogue Google Cloud par million de caractères : Standard et WaveNet contre Neural2 | $4 contre $16 | Tarifs Google Cloud Text-to-Speech 2026 |
| Prix catalogue Google Cloud par million de caractères : Chirp 3 HD contre Instant custom voice contre Studio | $30 contre $60 contre $160 | Tarifs Google Cloud Text-to-Speech 2026 |
| Prix catalogue Amazon Polly par million de caractères : Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | Tarifs AWS Amazon Polly 2026 |
| Voix neuronales Microsoft Azure, paiement à l’usage contre prix de dépassement dans le palier d’engagement de 2 000M de caractères, par million de caractères | $15 contre $7,50 | Tarifs Microsoft Azure Speech 2026 |
| OpenAI tts-1 (décrit comme optimisé pour la vitesse) contre tts-1-hd, par million de caractères | $15 contre $30 | Tarifs de l’API OpenAI 2026 |
| Prix de la sortie audio de Gemini 2.5 Pro TTS et coût dérivé par heure d’audio (25 jetons par seconde) | $20 par million de jetons audio, environ $1,80 par heure | Tarifs Google Cloud Text-to-Speech 2026 (dérivé) |
| Amazon Polly Generative et Standard, coût dérivé par heure d’audio | environ $1,30 et environ $0,17 | Tarifs AWS Amazon Polly 2026 (dérivé) |
| Prix de l’API hébergée de Kokoro 82M par million de caractères (Replicate) | $0,65 | Classement TTS d’Artificial Analysis 2026 |
Note de contexte : ce sont des prix catalogue au 31 octobre 2026, avant remises négociées. Les paliers d’engagement d’Azure commencent à $960 pour 80M de caractères, soit $12 par million (960 divisé par 80). Les offres gratuites varient beaucoup : Polly Standard inclut 5 millions de caractères par mois, tandis que Polly Generative inclut 100 mille caractères par mois pendant les 12 premiers mois. La fiche du modèle Kokoro indique que le modèle a été entraîné pour environ $1 000 avec 1 000 heures de GPU A100 80GB (fiche du modèle Kokoro-82M), ce qui montre le peu de calcul d’entraînement qu’exige désormais une voix à bas coût.
Résumé : facteur temps réel et coût d’inférence de la synthèse vocale en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Vitesse de HiFi-GAN V3 contre WaveNet sur un GPU V100, en fois le temps réel | 1 186,80x contre 0,003x | Kong et al., HiFi-GAN 2020 |
| RTF de FastSpeech 2 contre Transformer TTS | 0,0195 contre 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF de Matcha-TTS avec 2 étapes d’échantillonnage, vocodeur compris | 0,015 | Mehta et al., Matcha-TTS 2023 |
| RTF de F5-TTS à 16 étapes contre RTF de CosyVoice | 0,15 contre 0,92 | Chen et al., F5-TTS 2024 |
| Latence du premier paquet de VoXtream contre CosyVoice2, même test sur A100 | 102 ms contre 1 643 ms | KTH, VoXtream 2025 |
| Latence de DSM-TTS, taille de lot 1 contre 64 | 150 ms contre 403 ms | Kyutai, DSM-TTS 2025 |
| Latence du premier son de Riva, 1 contre 32 flux | 22 ms contre 323 ms | Documentation NVIDIA Riva 2.16.0 (exécuté par le fournisseur) |
| Premier son de SpeakStream avec PWG contre vocodeur en diffusion continue | 180 ms contre 40 ms | Apple, SpeakStream 2025 |
| Vitesse de synthèse embarquée d’Apple, deux appareils mobiles | 1,47x et 3,03x le temps réel | Apple, On-device neural speech synthesis 2021 |
| Génération de spectrogramme mel d’EfficientSpeech sur un Raspberry Pi 4 | 104,3x le temps réel | EfficientSpeech 2023 |
| RTF par lot de Mobile PresenTra sur un Google Pixel 5 | environ 0,3 | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| Taux d’erreur sur les mots de SupertonicTTS à 4 contre 8 étapes d’échantillonnage | 11,43% contre 2,818% | Supertone, SupertonicTTS 2025 |
| Taux d’erreur sur les mots de F5-TTS à 7 étapes, espacement régulier contre calendrier élagué | 4,16% contre 2,45% | Zheng et al., Interspeech 2025 |
| Taux d’erreur sur les mots de CosyVoice 2 sur le jeu difficile, hors ligne contre diffusion continue | 6,83% contre 8,08% | CosyVoice 2 2024 |
| Voix Standard contre Studio de Google Cloud, par million de caractères | $4 contre $160 | Tarifs Google Cloud Text-to-Speech 2026 |
| Voix Long-Form d’Amazon Polly, par million de caractères | $100 | Tarifs AWS Amazon Polly 2026 |
| Parole produite par 1 million de caractères, exemple de tarification d’Amazon | environ 23 heures 8 minutes | Tarifs AWS Amazon Polly 2026 |
| Voix neuronales Azure, paiement à l’usage par million de caractères | $15 | Tarifs Microsoft Azure Speech 2026 |
| Prix hébergé de Kokoro 82M par million de caractères | $0,65 | Classement TTS d’Artificial Analysis 2026 |
Méthodologie et sources
- Kong, Kim et Bae : HiFi-GAN (2020), tableau 1 : vitesse, MOS et nombre de paramètres sur un GPU V100 et un CPU d’ordinateur portable.
- Ren et al. : FastSpeech 2 (2020), tableau 2 : RTF d’inférence sur un serveur V100 avec une taille de lot de 1.
- Mehta et al. : Matcha-TTS (2023), RTF vocodage compris sur des GPU RTX 3090.
- Li et al. : StyleTTS 2 (2023), RTF global et par nombre d’étapes de diffusion.
- Chen et al. : F5-TTS (2024), RTF sur une RTX 3090 pour 10 s de parole, avec un tableau comparatif des références.
- Supertone : SupertonicTTS (2025), RTF sur RTX 4090 et RTX 3090, et ablation sur les étapes d’échantillonnage.
- KTH Royal Institute of Technology : VoXtream (2025), latence du premier paquet et RTF en FP16 sur un A100.
- Kyutai : Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), latence, RTF et débit de DSM-TTS selon la taille de lot.
- Apple : SpeakStream (2025), latence sur un Mac mini M4 Pro avec MLX ; On-device neural speech synthesis (2021), mesures sur mobile.
- FunAudioLLM : CosyVoice 2 (2024), qualité en diffusion continue contre hors ligne ; README GitHub de CosyVoice (revendication du projet, 2026).
- EfficientSpeech (2023) et Nix-TTS (2022), modèles à faible empreinte sur CPU et Raspberry Pi.
- Articles d’Interspeech : Okamoto, Ohtani et Kawai (NICT), Mobile PresenTra (2024), RTF et latence sur smartphone ; Lee et al. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), RTF et latence sur CPU à un seul thread ; Zheng et al., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), vitesse et taux d’erreur de F5-TTS selon le nombre d’étapes.
- NVIDIA : performances TTS de Riva 2.16.0, tableaux de latence et de RTFX exécutés par le fournisseur.
- Pages tarifaires, consultées le 31 octobre 2026 : Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, API OpenAI et la page du modèle OpenAI tts-1.
- Classement de la synthèse vocale d’Artificial Analysis (2026) et fiche du modèle Kokoro-82M (Hugging Face), pour les prix et le coût d’entraînement des modèles à poids ouverts.
- Note sur les données : les chiffres de RTF ne sont pas comparables d’un article à l’autre, sauf si le matériel, la taille de lot, la précision et l’inclusion du vocodeur concordent ; même au sein d’un seul article, SupertonicTTS rapporte 0,037 et 0,02 pour ce qui ressemble au même réglage. L’article de F5-TTS ne précise pas comment ses RTF de référence ont été mesurés, et la vitesse de F5-TTS elle-même diverge selon les sources sur le même modèle de GPU : l’article original donne 0,15 à 16 étapes et 0,31 à 32 étapes sur une RTX 3090, tandis que Zheng et al. donnent 0,065 et 0,123 sur une RTX 3090, sans explication de l’écart dans les pages que nous avons lues. Le tableau 6 de Kyutai ne nomme pas son GPU, et l’article imprime environ 800 ms de latence pour F5-TTS à 16 étapes et environ 400 ms à 32 étapes, l’inverse de ce que font normalement plus d’étapes ; nous n’avons donc pas utilisé ces deux valeurs. La mesure de VoXtream et le chiffre du README de CosyVoice portent sur des versions différentes de CosyVoice et ne sont donc pas directement comparables. Les deux conversions des caractères vers l’audio se contredisent : l’exemple d’Amazon implique environ 720 caractères par minute (1 000 000 de caractères divisés par 1 388 minutes), tandis que la fiche de Kokoro en utilise environ 1 000, si bien qu’un coût par heure fondé sur le ratio de Kokoro serait environ 39% plus élevé que celui fondé sur le ratio d’Amazon (1 000 divisé par 720 fait environ 1,39). Google Cloud étiquette ses modèles Gemini 3.8 TTS comme « Preview », avec des prix qui doivent changer le 1er janvier 2027. Les règles MLPerf Inference de MLCommons listent Whisper pour la reconnaissance vocale mais aucune charge de travail de synthèse vocale, de sorte que la vitesse du TTS n’a pas de banc d’essai sectoriel neutre à cet endroit ; plusieurs des articles matériels cités ici ont plus de trois ans et sont signalés comme données les plus récentes disponibles.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque le changement de prix de Gemini TTS de Google Cloud, prévu le 1er janvier 2027, prendra effet.