Elevenlabs vient d’ajouter à son catalogue deux modèles de Text-to-SpeechTechnologie transformant automatiquement du texte écrit en parole synthétique. qui parlent directement à d’autres modèles vocaux. Baptisés Eleven Realtime, ces systèmes permettent de TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. une parole humaine en réponse générée par Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. sans passer par un texte intermédiaire. L’annonce s’inscrit dans la tendance croissante des assistants vocaux qui cherchent à réduire le temps de LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. pour rendre les échanges plus naturels.

Deux variantes pour des usages différents

Le premier modèle, appelé v1 Mini, vise les conversations courantes où le coût et la rapidité sont primordiaux. Il est capable de détecter la fin d’une phrase ou même un simple "mm‑hmm" afin d’ajuster le flux de dialogue. Le second, v1 Max, est conçu pour des scénarios plus exigeants comme le support client, où la compréhension du contexte et la précision sont cruciales.

Performances chiffrées

Elevenlabs cite un score de 98,8 % au benchmark Big Bench Audio pour le variant Max, avec un temps de réponse de 0,57 s. Selon la société, aucun autre modèle répertorié sur le leaderboard Artificial Analysis ne combine à la fois cette rapidité et cette exactitude. Le Mini, bien que moins puissant, offre tout de même des temps de réponse comparables, ce qui le rend adapté aux applications mobiles ou aux plateformes à forte densité d’utilisateurs.

Intégration via ElevenAgents et API compatible OpenAI

Les deux modèles sont accessibles via la plateforme ElevenAgents, qui regroupe les outils de la société pour le développement d’applications vocales. En outre, Elevenlabs propose une API en temps réel compatible avec le standard OpenAI, ce qui facilite l’adoption pour les développeurs déjà familiers avec les services de génération de texte d’OpenAI. Cette compatibilité permet d’enchaîner directement la Speech-to-TextTechnologie permettant de convertir automatiquement la parole en texte écrit., la génération de réponse et la synthèse audio dans un même flux.

Tarification et implications

Le modèle de facturation repose sur un tarif à la minute d’audio traité, auquel s’ajoutent les coûts liés aux TokenUnité de contenu traitée par un modèle de langage, pouvant représenter un mot, une partie de mot ou un caractère. utilisés par le modèle de langage sous‑jacent. Le v1 Max est facturé à un tarif plus élevé que le v1 Mini, reflétant son niveau de performance supérieur. Les détails exacts sont disponibles sur la page de tarification d’Elevenlabs, mais l’approche à la minute rend le modèle facilement scalable pour des projets de petite à grande envergure.

Perspectives d’usage

Pour les développeurs d’assistants vocaux, ces modèles ouvrent la porte à des interactions plus fluides, notamment dans les environnements où chaque seconde compte, comme les services d’urgence ou les systèmes de navigation en voiture. Le Mini peut être intégré dans des applications de messagerie ou de jeux pour offrir des réponses vocales instantanées sans alourdir la facture. Le Max, quant à lui, se prête aux solutions de centre d’appel où la précision de la réponse influence directement la satisfaction client.

En pratique, la capacité à identifier les interjections comme "mm‑hmm" signifie que les dialogues peuvent se dérouler sans que l’utilisateur ait à attendre un signal visuel ou tactile pour indiquer qu’il a fini de parler. Cette nuance, souvent négligée, contribue à rendre les échanges plus proches d’une conversation humaine.

Elevenlabs mise donc sur la réduction du délai entre la parole et la réponse générée, un critère qui, selon les premiers retours, pourrait changer la façon dont les IA vocales sont perçues par le grand public.