Comparatif des meilleurs outils de synthèse vocale en 2026

ListenHub publie cet article. Nous créons des outils de synthèse vocale, de podcasts IA et de clonage vocal, et nous vendons des abonnements : nous avons donc un intérêt évident dans la conclusion que vous tirerez. L'ignorer serait le moyen le plus rapide de perdre votre confiance.

Cet article remplit deux fonctions, et il vaut mieux savoir laquelle est laquelle. La première est une comparaison directe de onze produits de synthèse vocale, regroupés selon la tâche à accomplir, avec chaque prix relevé sur la page tarifaire du fournisseur plutôt que dans un article de classement. La seconde est une présentation détaillée de ce que fait ListenHub — y compris l'interface pour développeurs et agents, partie de notre produit que la plupart des gens ne voient jamais — ainsi qu'un exposé tout aussi détaillé des cas où nous ne sommes pas le bon choix. Nous n'attribuons de note sur dix à personne, surtout pas à nous-mêmes, et une section vers la fin n'existe que pour vous orienter vers un concurrent.

La réponse rapide

Si vous ne lisez qu'une seule section, choisissez celle-ci.

• Une voix qui lit magnifiquement un long script → ElevenLabs, 6 $/mois.
• Une API pour du volume avec un budget serré → Amazon Polly ou Google Cloud, 4 $ par million de caractères.
• Des agents vocaux en temps réel → Deepgram ou Cartesia.
• De la formation en ligne d'entreprise validée par la conformité → WellSaid Labs.
• Une narration intégrée à une timeline vidéo → Speechify Studio.
• Un document transformé gratuitement en écoute privée → NotebookLM.
• Un agent ou une base de code qui produit seul un contenu audio et vidéo finalisé → ListenHub. Une seule clé couvre podcasts, voix, clonage, musique, images, présentations et vidéo, via REST, un serveur MCP, des Agent Skills, un SDK et une CLI.
• Une émission multi-voix finalisée et publiable à partir d'un document → ListenHub. Ce sont les deux usages pour lesquels nous pensons être le bon choix ; les sections suivantes expliquent pourquoi et où nous restons insuffisants.

Vue d'ensemble

Prix vérifiés le 28 juillet 2026. Les unités diffèrent selon les fournisseurs et sont indiquées ligne par ligne au lieu d'être converties dans une fausse monnaie commune.

À propos des unités de facturation, puisque personne ne tarifie de la même manière : Google, AWS et les anciens modèles OpenAI facturent au caractère ; ElevenLabs, Cartesia, Speechify et ListenHub en crédits ; WellSaid en minutes téléchargées ; les nouveaux modèles OpenAI en tokens. Ces unités ne sont pas interchangeables, et toute comparaison qui les additionne dans un même classement invente une équivalence.

La dernière colonne est celle que la plupart des comparatifs omettent, alors qu'en 2026 elle décide davantage d'achats que la qualité vocale. Tous les produits présentés disposent d'une API REST. La différence tient à la possibilité pour un agent IA de les piloter sans que vous écriviez d'abord une intégration, et à ce qu'un appel renvoie réellement : des octets audio ou un contenu finalisé.

Comment nous avons comparé, et ce que nous n'avons pas pu tester

Ce que nous avons comparé, et quand. Les tarifs publiés, les limites des offres gratuites et les conditions d'usage commercial, lus sur la page tarifaire de chaque fournisseur le 28 juillet 2026 puis recoupés avec sa documentation — ainsi que les capacités qui décident réellement un achat : votre formule autorise-t-elle la publication, inclut-elle le clonage vocal, existe-t-il un lexique de prononciation, dans quelle unité êtes-vous facturé ? Les tarifs TTS changent sans cesse : considérez chaque chiffre comme un point de départ et vérifiez-le de nouveau avant de saisir une carte bancaire.

Pourquoi il n'y a pas de notes. Une note sur dix suppose un panel d'évaluation que nous n'avons pas mené. Lorsque nous affirmons qu'un outil sonne mieux, il s'agit de notre opinion issue de l'utilisation de ces produits et de la construction du nôtre. Prenez ces remarques comme une présélection à tester vous-même et utilisez les modes d'échec de la section suivante comme grille de notation. Vingt minutes avec votre pire paragraphe valent mieux que le classement de quiconque, y compris le nôtre.

Ce que nous n'avons pas pu vérifier. Certains fournisseurs affichent leurs tarifs en JavaScript, sans chiffre publié stable à citer. C'est pourquoi Murf est décrit plus loin sans prix, et Microsoft publie son offre gratuite en texte mais charge les tarifs payants côté client : nous ne citons donc que l'allocation gratuite. PlayHT, LOVO et MiniMax ont été entièrement écartés : aucun tarif de première main ne se chargeait, et les chiffres de tiers se contredisent tout en étant manifestement recyclés d'années précédentes. Nous préférons couvrir onze outils que nous pouvons sourcer plutôt que quinze que nous ne pouvons pas.

Ce que nous n'avons pas pu tester. Les fonctions réservées aux entreprises — les voix personnalisées d'OpenAI exigent un échange commercial, nous ne pouvons donc pas vous dire comment elles sonnent. Nous n'avons pas non plus mesuré la latence sous charge de production, car le temps d'une requête isolée ne dit rien sur mille flux simultanés.

Ce qui rend réellement une synthèse vocale mauvaise

Presque tous les outils ici ont dépassé l'ancien seuil : les voix ne sont plus robotiques. Les défauts qui subsistent sont plus subtils, et votre audience les remarque sans toujours pouvoir les nommer. C'est sur eux qu'il faut entraîner son oreille avant de dépenser.

Prosodie plate. En anglais, l'accent porte le sens. « I didn't say she took the money » prend environ sept significations selon le mot accentué. Un modèle qui choisit le schéma d'accentuation statistiquement moyen lira correctement la phrase tout en exprimant le mauvais sens. Écoutez les contrastes : la voix souligne-t-elle le mot qui apporte réellement une information nouvelle ?

Un texte écrit pour les yeux, lu au pied de la lettre. C'est le défaut majeur, et il ne vient pas de la voix. Votre document contient « e.g. », « Fig. 3 », « $1.2M », « 2026-07-28 », « (see below) ». Un humain qui lit à voix haute réécrit silencieusement tout cela — « for example », « figure three », « one point two million dollars ». La plupart des moteurs vocalisent simplement les glyphes. Les fragments de listes à puces sont pires : les listes écrites n'ont pas de verbes et deviennent une pile de groupes nominaux déconnectés. Nous avons conçu une étape de réécriture de l'écrit vers l'oral précisément parce que ce défaut survit à chaque progrès de qualité vocale.

Noms et jargon, toujours mal prononcés. Noms de produits, patronymes non anglais, acronymes parfois épelés et parfois prononcés comme un mot — « SQL », « Nginx », « Xiaomi », « José ». C'est leur constance qui les rend redoutables : votre entreprise sera mal prononcée de la même façon dans quarante épisodes. Vérifiez si le fournisseur propose un lexique de prononciation modifiable et s'il s'applique à tout l'espace de travail ou doit être ressaisi projet par projet.

Aucune prise de tour naturelle. Deux voix rendues séparément puis collées bout à bout ne forment pas une conversation. Un vrai dialogue se chevauche légèrement, comporte des signaux d'écoute et — indice le plus révélateur — la hauteur initiale du second locuteur répond à la hauteur finale du premier. Assemblez deux rendus indépendants et vous obtenez deux monologues déguisés en conversation.

Rythme uniforme. Les lecteurs humains accélèrent dans une liste, ralentissent à l'approche d'une conclusion et respirent aux limites de paragraphes plutôt qu'aux virgules. Les moteurs qui appliquent toujours le même silence entre les phrases produisent un son épuisant au-delà d'environ deux minutes — défaut presque impossible à entendre dans une démo de quinze secondes.

D'où le piège des démonstrations. Les phrases d'exemple des fournisseurs sont choisies parce qu'elles fonctionnent. Ne jugez rien sur elles.

Narration naturelle pour vidéos et formations

Le groupe d'acheteurs le plus vaste : vous avez un script, vous avez besoin d'une voix pour le lire et des droits pour publier le résultat.

ElevenLabs — le meilleur pour la narration longue

Gratuit 0 $/mois, 10 000 crédits, aucune licence commerciale, aucun clonage · Premier forfait payant Starter à 6 $/mois · Unité crédits

Starter à 6 $/mois est le véritable point d'entrée, pas l'offre gratuite : 30 000 crédits, une licence commerciale et le clonage vocal instantané. Creator coûte 22 $/mois pour 121 000 crédits et le clonage professionnel ; Pro, 99 $/mois pour 600 000. Sur la narration longue, il maintient mieux la prosodie que tout ce que nous avons utilisé : c'est l'outil le moins susceptible de perdre le fil d'une phrase trois paragraphes après le début d'un chapitre.

Points forts : la meilleure prosodie longue de cette liste ; clonage instantané au forfait payant le moins cher ; bon rendu multilingue à partir d'une seule voix clonée ; véritable écosystème de documentation et d'intégrations.

Points faibles : l'offre gratuite n'accorde ni licence commerciale ni clonage, piège fréquent pour ceux qui évaluent gratuitement puis publient ; les crédits sont difficiles à convertir mentalement en minutes ; les coûts grimpent vite au-delà de Creator.

Verdict : si votre besoin est une voix lisant un long script qui doit sonner juste, achetez Starter et arrêtez de chercher.

WellSaid Labs — le meilleur pour la formation en ligne d'entreprise

Gratuit 3 minutes téléchargées/mois, aucun droit commercial · Premier forfait payant 19 $/mois, ou 120 $/an · Unité minutes téléchargées

WellSaid s'adresse aux équipes d'entreprise et de formation en ligne et facture en minutes téléchargées, une unité agréablement simple à budgéter. Starter coûte 19 $/mois, ou 120 $/an avec facturation annuelle, pour 20 minutes téléchargées par mois ; Pro, 49 $/mois, ou 396 $/an, pour 180. Les voix sont moins nombreuses et plus sobres que chez ElevenLabs — exactement ce qu'attend un module de formation soumis à un contrôle de conformité.

Points forts : les minutes sont une unité comprise par la finance ; voix sobres et constantes qui passent une revue juridique ; véritable remise annuelle plutôt qu'un artifice d'arrondi.

Points faibles : catalogue réduit selon les standards de 2026 ; aucun clonage vocal ; 20 minutes par mois sont peu si vous publiez chaque semaine.

Verdict : le choix d'achat prudent pour les contenus de formation, et la facture la plus facile à prévoir de cette liste.

Speechify Studio — le meilleur pour une voix off dans un montage vidéo

Gratuit 600 crédits, aucun droit commercial · Premier forfait payant Starter à 19 $/mois · Unité crédits, 1 par seconde de voix off

Speechify Studio est construit autour d'une timeline de montage vidéo plutôt que d'une zone de texte. Starter coûte 19 $/mois pour 7 200 crédits, avec clonage vocal et droits commerciaux ; Creator, 49 $/mois pour 28 800. La voix off consomme 1 crédit par seconde : Starter représente donc deux heures de narration finalisée, un rare système de crédits que l'on peut convertir mentalement sans tableur.

Points forts : un tarif d'un crédit par seconde facile à comprendre ; voix off et montage vidéo au même endroit ; clonage et droits commerciaux dès le premier forfait.

Points faibles : vous payez pour un éditeur dont vous n'avez peut-être pas besoin ; la qualité de narration reste un cran sous ElevenLabs sur les longs scripts ; l'offre gratuite est une démo.

Verdict : le bon choix lorsque l'audio est une piste d'un projet vidéo, pas le livrable lui-même.

Murf — le meilleur pour le travail collaboratif en studio

Gratuit non indiqué · Premier forfait payant non indiqué · Unité non indiquée

Murf appartient à ce groupe, notamment pour les équipes qui veulent un studio collaboratif avec des projets partagés. Nous ne citons pas de prix, car sa page tarifaire est rendue côté client et nous n'avons pas pu lire de chiffre que nous accepterions de défendre. Tout le reste ici comporte un nombre ; considérez cette absence comme une lacune de nos sources, pas comme un verdict sur le produit.

Verdict : mérite d'être examiné pour les flux de travail en équipe, mais demandez directement à Murf ses tarifs actuels.

Une API capable de monter en charge

Ici, la question n'est pas de savoir quelle voix est la plus jolie. Quatre facteurs décident à sa place.

Économie unitaire. Ce que vous payez par caractère, par seconde ou par tâche, et si cette courbe reste raisonnable à votre volume. Les clouds gagnent sans discussion sur la synthèse brute : 4 $ par million de caractères est un plancher qu'aucun abonnement ne peut franchir.

Latence et forme. Avez-vous besoin d'un socket de streaming pour une réplique conversationnelle ou d'une tâche lancée puis oubliée pour un rendu de dix minutes ? Ce sont des produits différents, et un fournisseur optimisé pour l'un est généralement médiocre sur l'autre.

Ce qu'un appel renvoie. C'est l'axe souvent oublié. La plupart des services de cette section renvoient des octets audio pour le texte fourni : vous gérez le script, la segmentation, l'assemblage multi-voix, la synchronisation des sous-titres et le multiplexage. Un groupe plus réduit renvoie un artefact finalisé. Cette différence vaut plus de temps d'ingénierie que n'importe quel écart de prix sur cette page.

La possibilité pour un agent de le piloter seul. En 2026, beaucoup de ces appels sont effectués par un agent de programmation plutôt que par un développeur au clavier. Il faut alors savoir si le fournisseur livre une interface d'outils qu'un agent peut découvrir et appeler — serveur MCP, Agent Skill, SDK typé — ou si quelqu'un doit d'abord écrire puis maintenir l'intégration.

Autre point à connaître avant de s'engager : la pérennité du fournisseur. Google, AWS, Microsoft et OpenAI ne vont pas disparaître. Les autres acteurs de cette liste sont plus jeunes, et les prix de nouveaux entrants ont déjà changé plusieurs fois.

Google Cloud Text-to-Speech — le meilleur pour la diversité

Gratuit 4M caractères/mois Standard et WaveNet, 1M Chirp 3 HD, récurrent · Payant 4 à 160 $ par 1M de caractères · Unité caractères

La gamme utile la plus large de cette liste. Standard et WaveNet coûtent 4 $ par million de caractères après l'allocation gratuite récurrente ; Neural2, 16 $ après 1 million gratuit ; Chirp 3 HD, l'actuel modèle phare, 30 $ après 1 million gratuit ; Studio, 160 $. Les nouveaux modèles Gemini-TTS facturent en tokens et n'ont aucune allocation gratuite. Attention : vous devez activer la facturation avant même d'utiliser les caractères gratuits.

Points forts : offre gratuite récurrente assez grande pour exécuter un vrai prototype sans frais ; une classe de voix pour chaque budget ; des dizaines de langues avec variantes régionales.

Points faibles : l'échelle de 4 à 160 $ pénalise ceux qui choisissent une classe de voix sans lire ; il faut coder, aucun studio n'est fourni ; les modèles Gemini facturés en tokens rendent la comparaison avec le reste impossible.

Verdict : le choix API par défaut lorsque vous voulez qu'un fournisseur couvre à la fois le volume peu coûteux et une voix haut de gamme.

Amazon Polly — le meilleur forfait gratuit permanent et peu coûteux

Gratuit 5M caractères/mois Standard, permanent sans échéance à 12 mois · Payant 4 à 100 $ par 1M de caractères · Unité caractères

Le leader des prix au bas de gamme et la meilleure offre gratuite du secteur. Les voix Standard coûtent 4 $ par million de caractères, Neural 16 $, Generative 30 $, Long-Form 100 $. Les 5 millions de caractères Standard mensuels n'expirent pas après un an, fait assez rare pour constituer le principal argument.

Points forts : la seule allocation gratuite véritablement permanente à grande échelle ; ennuyeux comme une infrastructure doit l'être ; facturation prévisible au caractère.

Points faibles : les meilleures classes de voix sont gratuites pour une durée limitée ; aucun clonage ; les voix Standard paraissent datées face aux modèles phares de 2026.

Verdict : si la gratuité durable est essentielle et que vous savez coder, commencez ici.

OpenAI — le meilleur pour les équipes déjà chez OpenAI

Gratuit aucun · Payant tts-1 à 15 $, tts-1-hd à 30 $ par 1M de caractères · Unité caractères, ou tokens sur les nouveaux modèles

Le choix évident si votre pile est déjà là et que vous voulez un fournisseur et une clé. Les anciens modèles sont simples à comprendre : tts-1 à 15 $ par million de caractères, tts-1-hd à 30 $. Le nouveau gpt-4o-mini-tts facture en tokens plutôt qu'en caractères ; impossible de le comparer à un fournisseur au caractère avant d'avoir mesuré votre propre sortie de tokens audio.

Points forts : une clé, une facture et un SDK si vous êtes déjà client ; bonnes instructions sur le ton ; documentation solide.

Points faibles : aucune offre gratuite — chaque requête est payante dès la première ; la facturation en tokens des nouveaux modèles est réellement difficile à prévoir ; les voix personnalisées nécessitent un échange commercial. Les politiques d'utilisation d'OpenAI exigent aussi de signaler que la voix est générée par IA.

Verdict : la commodité est la fonction. Personne ne migre vers OpenAI pour ses seules voix.

Deepgram — le meilleur pour les agents en temps réel

Gratuit 200 $ de crédit, une fois, sans carte · Payant Aura-2 à 0,030 $ par 1k caractères, Aura-1 à 0,0150 $ · Unité caractères

Conçu pour le temps réel et les agents, où la latence compte plus que la beauté. L'inscription inclut 200 $ de crédit sans carte — l'essai sans engagement le plus généreux ici, mais accordé une seule fois plutôt que de façon récurrente.

Points forts : essai assez important pour livrer un prototype ; latence pensée pour les tours conversationnels ; transcription du même fournisseur.

Points faibles : les 200 $ ne reviennent pas ; catalogue vocal étroit ; pas conçu pour la narration longue.

Verdict : la bonne réponse pour un agent vocal, la mauvaise pour un livre audio.

Cartesia — le meilleur pour le streaming économique

Gratuit 20k crédits/mois, sans usage commercial · Premier forfait payant Pro à 5 $/mois · Unité crédits

Très agressif sur le prix du streaming à faible latence. Pro ne coûte que 5 $/mois pour 100 000 crédits — mais c'est aussi le premier forfait à accorder une licence commerciale et le clonage vocal instantané, si bien que l'offre gratuite n'est qu'un bac à sable d'évaluation. Startup coûte 49 $/mois pour 1,25 million de crédits ; Scale, 299 $/mois pour 8 millions.

Points forts : l'entrée payante la moins chère de cette liste, à 5 $ ; clonage inclus dès ce niveau ; latence réellement faible.

Points faibles : impossible de publier depuis l'offre gratuite ; entreprise plus jeune que les clouds ; catalogue plus réduit.

Verdict : le meilleur prix par flux ici si vous construisez un produit sensible à la latence et acceptez un fournisseur plus petit.

Microsoft Azure AI Speech — le meilleur pour les entreprises dans l'écosystème Microsoft

Gratuit 500k caractères neuronaux/mois, récurrent, fortement limité · Payant tarif variable selon la région · Unité caractères

Azure publie une offre F0 gratuite et permanente de 500 000 caractères TTS neuronaux par mois, accompagnée de 5 heures audio de transcription. Elle est limitée et n'est pas destinée à la production. Nous ne citons pas les tarifs payants d'Azure, car le tableau les charge côté client ; consultez le portail pour votre région, puisque les prix Azure varient géographiquement plus que ceux de la plupart des acteurs de cette liste.

Points forts : large couverture des langues et régions ; garanties de conformité et de résidence nécessaires aux grandes entreprises ; voix neuronale personnalisée pour les clients approuvés.

Points faibles : tarifs régionaux à rechercher soi-même ; les limitations de l'offre gratuite en font une démo ; la console est lourde.

Verdict : si votre entreprise fonctionne déjà sur Azure, la décision a été prise pour vous.

ElevenLabs — la meilleure interface d'outils audio pour agents

Déjà présenté pour sa qualité de narration, ElevenLabs mérite aussi sa place ici, et il faut le dire honnêtement : son serveur MCP officiel offre une surface d'outils nettement plus large que la nôtre — synthèse, transcription, conversion parole-parole, effets sonores, musique, conception de voix et agents vocaux d'appels sortants — dans Claude Desktop, Cursor, Windsurf et OpenAI Agents.

Verdict : si la tâche de votre agent porte sur des primitives audio et que vous voulez le plus grand éventail derrière une seule connexion MCP, installez celui-ci. Notre réponse ci-dessous est plus étroite sur les primitives audio et plus large sur les livrables finalisés.

ListenHub — le meilleur pour une clé couvrant l'audio et la vidéo

Gratuit allocation mensuelle plus complément quotidien, clé API incluse · Premier forfait payant 12 $/mois, ou 9 $/mois à l'année · Unité crédits

Notre propre API explique pourquoi cette section s'est allongée ; voici donc sa forme réelle. Ce n'est pas un endpoint de synthèse au caractère moins cher : c'est une autre unité de travail. Un POST lance une tâche qui revient sous forme d'artefact finalisé : épisode à deux animateurs avec script écrit, narration avec sous-titres SRT, vidéo explicative rendue, présentation, fond musical, image. Les tâches sont asynchrones — vous les créez puis les interrogez — parce qu'un rendu de dix minutes ne tient pas dans un aller-retour HTTP.

Une seule clé API donne accès à tout : podcasts, synthèse vocale, clonage vocal, musique, génération d'images, vidéo explicative, présentations, vidéo IA et extraction de contenu depuis une URL ou un fichier. Aucun second fournisseur pour la partie vidéo, aucun code de raccord entre audio et images, un solde de crédits et une facture. La surface API complète est décrite plus bas.

Points forts : des livrables finis plutôt que des octets audio ; audio et vidéo derrière une clé ; quatre voies d'accès officielles (REST, MCP, Agent Skills, SDK/CLI), permettant à un agent de piloter le service sans intégration écrite ; tout compte peut créer une clé, donc l'évaluation ne coûte rien ; le modèle de tâches asynchrones convient aux rendus longs ; le SDK déballe l'enveloppe de réponse et réessaie automatiquement après les limites de débit.

Points faibles : les crédits sont une unité plus grossière que les caractères, donc le coût par requête est moins prévisible que chez Polly ; l'allocation gratuite est faible face aux 5 millions de caractères mensuels de Polly, si bien qu'un volume soutenu exige un abonnement ou des packs ; ElevenLabs expose davantage d'outils audio par MCP ; nous ne publions aucun SLA de latence et il ne faut pas bâtir un agent vocal en temps réel dessus.

Verdict : le bon appel lorsque vous voulez qu'un agent ou un backend produise un contenu finalisé et publiable. Le mauvais si vous cherchez une synthèse de masse peu chère ou un streaming sous la seconde.

Un programme finalisé, pas un extrait

Une catégorie différente, rangée sous « synthèse vocale » parce que c'est ainsi que les gens la recherchent. Vous n'avez pas de script. Vous avez un document et voulez entendre deux personnes en discuter.

NotebookLM — le meilleur pour l'écoute personnelle gratuite

Gratuit 3 générations audio/jour avec tout compte Google · Payant via un abonnement Google AI · Unité générations

Gratuit et remarquable dans cet usage. Vous importez des sources et il produit un résumé audio à deux animateurs ; la documentation d'assistance de Google fixe l'offre gratuite à 3 générations audio par jour et 50 requêtes de chat. Pour un besoin occasionnel et personnel — transformer un PDF dense en contenu à écouter pendant une marche — il est difficile de contester la gratuité.

Points forts : réellement gratuit ; conversation à deux animateurs convaincante ; aucune configuration.

Points faibles : impossible de modifier le script avant la lecture, choisir les voix, cloner une voix ou retirer la marque ; un seul format de sortie fixe ; pas conçu pour publier selon un calendrier.

Verdict : la meilleure façon gratuite d'écouter vos propres documents, mais pas un outil de production.

ListenHub — le meilleur pour une émission multi-voix publiable

Gratuit allocation mensuelle plus complément quotidien · Premier forfait payant 12 $/mois, ou 9 $/mois à l'année · Unité crédits

C'est notre produit : lisez donc cette partie avec la méfiance appropriée — et lisez la section suivante, version longue et honnête qui inclut aussi nos faiblesses. En une phrase : NotebookLM donne un résumé audio, tandis que ListenHub donne une émission que vous pouvez modifier, personnaliser et publier.

Points forts : script modifiable avant toute synthèse ; douze langues de sortie pour la synthèse vocale et le clonage vocal ; réécriture de l'écrit vers l'oral qui corrige la lecture littérale décrite plus haut ; audio, SRT, vidéo et présentations sur un seul solde de crédits.

Points faibles : le format podcast IA lui-même ne génère encore qu'en anglais, chinois et japonais ; la modification du script, les exports, le clonage et la suppression de la marque exigent tous un forfait payant, l'offre gratuite sert donc à écouter plutôt qu'à publier ; notre coût unitaire ne peut rivaliser avec 4 $ par million de caractères ; aucune timeline de montage vidéo ; pour une seule voix lisant un long script, ElevenLabs fait mieux.

Verdict : choisissez-nous quand le livrable est une émission multi-voix finalisée à partir d'un document source. Pour la plupart des autres tâches de cette page, un autre produit de cette page est préférable.

Ce que fait réellement ListenHub

Vous apportez un rapport, un article, une URL ou un script. Vous voulez quelque chose que les gens écouteront vraiment. Quatre opérations ont lieu ici qu'une simple zone de synthèse vocale ne réalise pas, et elles justifient à elles seules de nous choisir.

Il réécrit d'abord le texte écrit en texte parlé. C'est l'étape de l'écrit vers l'oral, qui traite le principal mode d'échec de cet article. « Fig. 3 shows a 12.4% YoY increase (see Appendix B) » devient une phrase qu'un humain prononcerait réellement. Les fragments de puces reçoivent des verbes. Les abréviations sont développées comme le ferait un lecteur. Vous pouvez aussi désactiver cette étape et obtenir une lecture mot à mot si le texte est déjà conversationnel — une mention juridique doit être lue exactement comme elle est écrite.

Il écrit un dialogue, pas deux monologues collés. Le problème de prise de tour évoqué plus haut est d'abord un problème de script, avant d'être un problème de synthèse. Deux animateurs reçoivent un script écrit comme une conversation, où le second répond à ce que le premier a réellement dit.

Vous pouvez modifier le script avant que quoi que ce soit soit prononcé. C'est la différence entre un jouet et un outil. Vous voyez le script, corrigez la phrase qui déforme le positionnement de votre produit, coupez la digression, puis seulement dépensez des crédits audio. Corriger le texte est gratuit ; rendre de nouveau l'audio ne l'est pas. L'édition du script est une fonction d'abonnement, dès Basic.

Un seul solde couvre toute la sortie. Audio avec sous-titres SRT, vidéo explicative, présentations, images : les mêmes crédits, aucun second abonnement. L'export de fichiers et la suppression de la marque ListenHub commencent également à Basic ; l'offre gratuite sert donc à entendre le résultat, pas à le publier.

Une API et une interface pour agents

C'est la moitié du produit absente des grilles de fonctions, et la plus intéressante pour les développeurs. Tout ce que l'application web sait faire est accessible par programme via quatre interfaces officielles, toutes authentifiées par la même clé API et puisant dans le même solde de crédits.

L'API REST. Créez une clé dans Settings → API keys — son format est lh_sk_… — puis appelez https://api.marswave.ai/openapi. Les réponses utilisent une enveloppe unique, { code, message, data }, avec un code non nul en cas d'erreur. La génération est asynchrone par conception : vous créez une tâche puis l'interrogez, car un épisode complet ou une vidéo rendue prend des minutes, pas des millisecondes. Les endpoints couvrent la génération de podcasts, la synthèse vocale, ListenHub Voice pour l'audio de bout en bout, la musique, les images, la vidéo explicative, les présentations, la vidéo IA, la recherche de locuteurs, l'extraction de contenu depuis une URL ou un fichier et l'état de l'abonnement. La documentation API fournit la référence complète ; les paramètres et langues pris en charge sont indiqués par endpoint plutôt qu'ici, car cette surface évolue plus vite qu'un article de blog.

Un serveur MCP. ListenHub fournit un serveur Model Context Protocol : un client MCP — Claude Desktop, Cursor, Windsurf, VS Code, Zed — peut générer des podcasts et des narrations, parcourir le catalogue vocal et consulter votre compte en appelant des outils plutôt qu'en envoyant directement du HTTP. Chaque outil encapsule un endpoint public, ce qui maintient les deux interfaces alignées. Il fonctionne par défaut sur stdio, ou en HTTP/SSE à distance, et s'authentifie avec LISTENHUB_API_KEY. À savoir : create_podcast attend la fin pour vous, si bien qu'un appel renvoie un épisode finalisé plutôt qu'un identifiant de tâche que l'agent doit surveiller. Consultez la documentation MCP.

Agent Skills. L'interface vers laquelle nous orienterions d'abord un agent de programmation :

npx skills add marswaveai/skills

Cette commande installe ListenHub Skills dans un projet pour tout outil prenant en charge Agent Skills — Claude Code, Cursor, Windsurf, OpenCode. L'instruction se donne ensuite en langage naturel : transforme cet article en vidéo explicative, crée un podcast à deux animateurs à partir de ces trois URL. L'agent choisit les voix, pilote la génération, attend la fin et remet l'artefact avec un lien. Des skills distincts existent pour la voix, le podcast, la synthèse vocale, la vidéo explicative, les présentations, les images, la musique, la transcription et l'analyse de contenu, permettant à un agent de composer un pipeline plutôt que d'appeler un endpoint monolithique.

SDK et CLI. @marswave/listenhub-sdk est le client JavaScript/TypeScript officiel et typé — ESM uniquement, types inclus, une dépendance d'exécution, Node 20 ou plus récent. Il déballe l'enveloppe de réponse et réessaie les 429, évitant de réécrire ces mécanismes. Il exporte deux clients, distinction réellement utile : OpenAPIClient s'authentifie par clé API pour les serveurs, scripts et CI et agit au nom du propriétaire de la clé, tandis que ListenHubClient utilise des tokens OAuth afin que chaque requête s'exécute pour un utilisateur connecté distinct — le bon choix pour un produit orienté utilisateur. @marswave/listenhub-cli encapsule le même SDK dans un binaire listenhub avec la même séparation : listenhub … après connexion OAuth par navigateur pour l'usage interactif, listenhub openapi … avec une clé pour la CI. Documentation du SDK et de la CLI.

Choisir les voix par programme. La recherche de locuteurs renvoie plus qu'un identifiant et un nom : chaque voix comporte hauteur, vitesse, traits, styles, scènes suggérées, accent, description et descriptions localisées. Un agent peut donc choisir une voix à partir d'un brief comme « narratrice chaleureuse pour un livre audio » au lieu d'utiliser un identifiant sélectionné une fois par un humain. Un catalogue en texte brut existe aussi à /voices.txt pour les agents qui préfèrent lire un fichier plutôt qu'appeler un endpoint.

Deux précisions. Aucun forfait n'est requis : tout compte peut créer une clé, vous pouvez donc évaluer l'API avec l'allocation gratuite sans carte et un prototype de week-end ne coûte rien. Il faut en revanche des crédits : les appels API dépensent le même solde que l'application web, l'usage automatisé et l'usage manuel de votre équipe puisent donc dans une même réserve, et un volume soutenu exige un abonnement ou un pack de crédits. L'unité est le crédit plutôt que le caractère, donc plus difficile à prévoir qu'un tarif au caractère.

Langues et voix

La synthèse vocale et le clonage vocal fonctionnent tous deux dans douze langues : anglais, chinois mandarin, japonais, espagnol, portugais, français, allemand, turc, coréen, italien, thaï et vietnamien. Le catalogue vocal public fournit des tags et descriptions pour chaque voix afin de filtrer par langue, genre et style d'interprétation plutôt que d'écouter les noms un par un. Un catalogue en texte brut à /voices.txt est également disponible pour les agents.

Soyons précis sur ce que cela couvre et ne couvre pas, car nous avons vu cette capacité exagérée ailleurs : les douze langues concernent la synthèse vocale et le clonage. Le format podcast IA et les autres outils de création ne génèrent encore qu'en anglais, chinois et japonais. Si vous avez besoin aujourd'hui d'un podcast espagnol à deux animateurs, nous n'y sommes pas encore.

Clonage vocal

Clonez votre propre voix à partir d'un échantillon et utilisez-la partout où une voix du catalogue fonctionne, dans chacune des douze langues. Tous les forfaits payants incluent le clonage — Basic 1 clone enregistré, Pro 4, Max 20 — et chaque sauvegarde au-delà de l'allocation coûte 300 crédits. Le guide du clonage vocal explique comment produire un bon échantillon ; en bref, trois minutes de parole propre valent mieux que trente minutes bruitées.

Combien ça coûte

Basic coûte 12 $/mois, ou 9 $/mois avec facturation annuelle, pour 1 300 crédits et un clone vocal. Pro coûte 24 $/mois, ou 19 $/mois à l'année, pour 2 700 crédits et quatre clones. Max coûte 240 $/mois, ou 200 $/mois à l'année, pour 30 000 crédits et vingt clones. L'API, le serveur MCP et Agent Skills ne sont liés à aucun forfait : ils fonctionnent avec tout compte, y compris gratuit, et consomment les crédits disponibles.

Pour traduire les crédits en travail : un podcast de 5 minutes coûte environ 24 crédits, 10 minutes de synthèse vocale environ 40, une présentation de 10 pages environ 150. Pro représente donc approximativement 11 heures de parole par mois si vous ne dépensez rien d'autre. L'offre gratuite comprend une allocation mensuelle et un petit complément quotidien ; la page des tarifs indique le chiffre actuel, qui change assez souvent pour que nous préférions y renvoyer plutôt que le figer ici. Le guide des crédits explique comment les trois types de crédits s'empilent et dans quel ordre ils sont consommés.

Là où nous sommes moins bons que les outils ci-dessus

Énoncé clairement, puisque vous le découvrirez de toute façon :

• Coût unitaire à grande échelle. Polly et Google coûtent 4 $ par million de caractères. Un abonnement ne peut pas rivaliser, et nous ne prétendrons pas le contraire.
• Finition des longues narrations à une voix. ElevenLabs conserve mieux la prosodie sur un très long script à narrateur unique.
• Étendue des outils audio pour agents. Le serveur MCP d'ElevenLabs expose davantage de primitives audio que le nôtre — transcription, parole-parole, isolation audio, conception vocale, appels sortants. Le nôtre vise plutôt les livrables finalisés.
• Aucune mesure API au caractère. Vous dépensez des crédits, pas des caractères ; le coût par requête est donc plus difficile à prévoir qu'un tarif publié de 4 $ par million — et notre allocation gratuite ne représente qu'une fraction des 5 millions de caractères mensuels de Polly.
• Aucun engagement de latence. Nous ne publions aucun SLA et le modèle de tâches vise les rendus, pas les tours en temps réel. Ne nous intégrez pas dans un agent vocal en direct.
• Montage vidéo. Speechify fournit une timeline. Nous fournissons un export.
• Langues des podcasts. Douze pour TTS et le clonage, trois pour le format podcast.
• Achats d'entreprise. Aucune garantie de résidence ni contrat personnalisé du type vendu par Azure et AWS.

Comparaison des offres gratuites

Les offres gratuites diffèrent selon qu'elles constituent un produit ou une démo. La distinction importante n'est pas leur taille, mais l'autorisation de publier ce que vous créez.

Les cinq derniers sont parfaitement transparents à ce sujet et parfaitement inutiles si vous comptez publier. Nous nous sommes placés dans ce groupe plutôt qu'au-dessus, car une offre gratuite sans export reste un bac à sable d'évaluation, quel que soit son créateur. Prévoyez le premier forfait payant dès le premier jour : respectivement 6 $, 5 $, 19 $, 19 $ et 12 $. Les meilleures classes de voix de Polly sont également limitées dans le temps : Neural 1 million par mois, Long-Form 500 000, Generative 100 000, chacune uniquement pendant les 12 premiers mois.

Si la gratuité est une contrainte absolue et que vous comptez publier, la liste est courte : Polly et Google Cloud, et il faudra coder.

Langues au-delà de l'anglais

Les plateformes cloud gagnent nettement en largeur. Google, Azure et Polly couvrent chacune des dizaines de langues avec des voix de locuteurs natifs et des variantes régionales, cette infrastructure ayant été construite bien avant la vague actuelle. ElevenLabs est performant pour produire plusieurs langues à partir d'une même voix — la même voix clonée parle une autre langue, capacité différente et utile.

Le marketing devient flou dans l'écart entre pris en charge et bon. Beaucoup de fournisseurs annoncent un grand nombre de langues alors que l'essentiel de la liste repose sur un modèle multilingue unique et quelques voix optimisées pour l'anglais. OpenAI le reconnaît clairement dans sa documentation. Demandez un échantillon dans votre langue cible, prononcé par une voix réellement commercialisée pour cette langue, puis faites-le écouter à un locuteur natif.

Selon ce critère, voici notre position sans arrondi : douze langues pour la synthèse vocale et le clonage vocal, chacune avec des voix du catalogue plutôt qu'une voix anglaise assortie d'un réglage d'accent — et trois langues pour le format podcast. Si vous avez besoin d'une narration en hindi, arabe ou indonésien, nous ne la fournissons pas ; Google ou Azure le font.

Lequel choisir ?

Vous êtes un créateur solo publiant des vidéos narrées. ElevenLabs Starter à 6 $/mois. Ajoutez Speechify uniquement si vous voulez aussi la timeline de montage.

Vous dirigez une équipe L&D ou de formation. WellSaid Labs. Les minutes sont une unité budgétable et les voix passent le contrôle juridique.

Vous êtes ingénieur et avez besoin de synthèse dans un produit. Google Cloud ou Polly. Prototypez dans l'offre gratuite récurrente, puis choisissez délibérément une classe de voix — la différence entre 4 et 160 $ par million de caractères tient à un menu déroulant.

Vous construisez un agent vocal. Deepgram ou Cartesia. La latence et le coût par flux sont tout ce qui compte ; la taille du catalogue ne l'est pas.

Vous voulez qu'un agent IA produise seul un contenu finalisé. ListenHub Skills ou notre serveur MCP. Un npx skills add marswaveai/skills suffit pour qu'un agent de programmation transforme une URL en épisode publié ou en vidéo explicative sans intégration préalable. Aucun forfait n'est requis pour commencer : un compte gratuit obtient une clé, puis vous payez en crédits après l'évaluation. Si votre agent a besoin de primitives audio plutôt que de pièces finalisées — transcription, effets sonores, conception vocale — installez plutôt le serveur MCP d'ElevenLabs, ou les deux.

Vous automatisez une chaîne de contenu en CI. Notre SDK ou CLI avec une clé API, ou les clouds si vous ne voulez que la synthèse. listenhub openapi … existe précisément pour ce scénario scripté.

Vous êtes étudiant ou chercheur avec des PDF denses. NotebookLM, gratuitement. Lorsque vous voudrez modifier le script et publier le résultat, vous l'aurez dépassé.

Vous publiez une émission ou un programme de contenu à partir de documents. ListenHub. Script modifiable, sortie multi-voix, exports sans marque, un seul solde pour audio, vidéo et présentations.

Votre contrainte est réellement 0 $ et vous savez coder. Polly, puis Google Cloud. Toutes les autres offres gratuites interdisent la publication ou s'épuisent.

Les questions que les gens posent réellement

Quel est le meilleur outil de synthèse vocale gratuit ? Amazon Polly, si vous savez coder : 5 millions de caractères par mois, de façon permanente, avec droit de publier. Si vous ne savez pas coder, NotebookLM est gratuit pour l'écoute personnelle. La plupart des offres grand public gratuites — ElevenLabs, Cartesia, Speechify, WellSaid et la nôtre — interdisent l'usage commercial ou réservent les exports aux forfaits payants.

Puis-je utiliser des voix IA sur YouTube ou dans un travail client ? Uniquement avec une formule accordant une licence commerciale, généralement pas la gratuite. ElevenLabs l'accorde dès 6 $, Cartesia dès 5 $, Speechify dès 19 $. Vérifiez la licence de la formule exacte que vous comptez acheter, pas celle du niveau supérieur. Les règles des plateformes sont distinctes de la licence du fournisseur, et les politiques d'OpenAI exigent en plus de signaler qu'une voix est générée par IA.

Qu'est-ce que le clonage vocal, et ai-je besoin d'une autorisation ? Vous fournissez un échantillon vocal et le modèle reproduit son timbre pour lire n'importe quel texte. Il faut le consentement de la personne concernée — votre propre voix est autorisée. Cloner la voix de quelqu'un sans permission est le moyen le plus rapide de créer un problème juridique, et les conditions de tout fournisseur sérieux l'interdisent.

Quel outil possède les voix les plus naturelles ? Pour une seule voix lisant un long script, ElevenLabs selon notre expérience. Mais le caractère « naturel » échoue bien plus souvent sur la prosodie, la lecture littérale des glyphes et les noms massacrés que sur le timbre ; testez donc votre pire paragraphe au lieu de croire un classement.

Quel budget dois-je prévoir ? Environ 5 à 25 $/mois pour un abonnement de créateur, ou 4 à 30 $ par million de caractères via une API. Les offres gratuites couvrent l'évaluation et l'usage personnel ; la publication commence généralement au premier niveau payant.

Peut-on détecter une voix générée par IA ? Pas de façon fiable, et il ne faut pas bâtir de stratégie là-dessus. Certaines plateformes exigent de déclarer les médias synthétiques, certains fournisseurs l'imposent dans leurs conditions, et le coût réputationnel d'une dissimulation découverte dépasse celui d'une déclaration.

Quelle différence entre synthèse vocale et outil de podcast IA ? La synthèse vocale prend un script et le lit. Un outil de podcast IA prend un document source, écrit un script — généralement sous forme de dialogue — puis le lit. Si vous avez déjà les mots, achetez de la synthèse vocale. Si vous avez un rapport et voulez une conversation à son sujet, c'est un autre produit, celui que nous construisons.

Ai-je besoin d'une API ou d'une application ? D'une API si la parole est une fonction de votre produit, ou si votre volume rend la tarification au caractère moins chère qu'un abonnement. D'une application si la parole est le livrable et que vous préférez ne pas maintenir de code. Acheter une API pour fabriquer manuellement quarante épisodes est une erreur courante et coûteuse.

Lesquels un agent IA peut-il utiliser directement ? ElevenLabs et ListenHub fournissent tous deux des serveurs MCP officiels : un agent dans Claude Desktop, Cursor ou Windsurf peut les appeler comme outils sans intégration préalable. ListenHub publie aussi Agent Skills — npx skills add marswaveai/skills — pour Claude Code, Cursor, Windsurf et OpenCode. Tout le reste de cette liste est une API REST que vous ou votre agent devrez d'abord encapsuler. La différence pratique est ce qu'un appel renvoie : ElevenLabs livre des primitives audio à l'agent, ListenHub un épisode, une vidéo ou une présentation finalisés.

Combien coûte l'API ListenHub, et existe-t-il une clé gratuite ? Tout compte peut créer une clé, y compris gratuit — aucun forfait requis. Vous dépensez des crédits, le même solde que l'application web, donc l'évaluation est gratuite et un volume soutenu nécessite un abonnement à partir de 12 $/mois ou un pack. La limite honnête est l'unité : les crédits sont plus grossiers que les caractères ; pour prévoir le coût d'une requête au centime près, un fournisseur au caractère comme Polly ou Google Cloud est plus facile à modéliser.

Puis-je appeler ListenHub pour le compte de mes propres utilisateurs connectés ? Oui, et c'est la raison des deux clients du SDK. OpenAPIClient utilise une clé API et agit comme propriétaire de la clé — adapté aux serveurs, scripts et CI. ListenHubClient utilise des tokens OAuth afin que chaque requête s'exécute sous le compte d'un utilisateur individuel, ce qu'il faut pour une application orientée utilisateur. Ne livrez jamais une clé API dans du code navigateur ou mobile.

Quelles langues ListenHub prend-il en charge ? Douze pour la synthèse vocale et le clonage vocal : anglais, chinois mandarin, japonais, espagnol, portugais, français, allemand, turc, coréen, italien, thaï, vietnamien. Trois — anglais, chinois, japonais — pour le format podcast IA. Pour l'API et les surfaces MCP, consultez la documentation de référence par endpoint au lieu de supposer qu'elles couvrent toute la gamme de l'application web.

Quand nous vous orienterions ailleurs

Six cas, sans détour :

Vous avez besoin d'une voix lisant magnifiquement un long script. Achetez ElevenLabs. La prosodie longue est sa spécialité et 6 $/mois n'est pas un véritable obstacle.

Vous êtes ingénieur avec du volume et un budget. Allez chez Google Cloud ou Polly. Aucun abonnement ne peut battre 4 $ par million de caractères, et les offres gratuites récurrentes rendent le prototype gratuit.

Votre agent a besoin de primitives audio, pas de pièces finalisées. Installez le serveur MCP d'ElevenLabs. Transcription, parole-parole, effets sonores, conception vocale et appels sortants y figurent tous, tandis que notre surface est volontairement plus étroite.

Vous construisez du temps réel. Deepgram ou Cartesia. Nous ne publions aucun SLA de latence et notre modèle de tâches est conçu pour les rendus.

Vous avez besoin d'une langue que nous ne proposons pas, ou d'un podcast à deux animateurs hors anglais, chinois et japonais. Google ou Azure pour la largeur de narration. Notre format podcast n'a pas encore rattrapé notre catalogue vocal.

Vous voulez transformer un document en résumé à écouter pour vous-même. Utilisez NotebookLM. Il est gratuit et bon, et vous n'avez besoin ni de modifier le script, ni de supprimer la marque, ni de cloner une voix pour une écoute privée pendant un trajet.

Nous sommes le meilleur choix dans deux situations : lorsque vous voulez une émission multi-voix finalisée et publiable à partir d'un document source, avec script modifiable avant toute synthèse, et lorsqu'un agent ou un backend doit produire ce type de sortie — audio comme vidéo — derrière une seule clé.

Faites votre propre test avant de vous engager

Vingt minutes vous en apprendront davantage que tout comparatif, y compris celui-ci.

1. Prenez votre pire paragraphe réel — noms de produits, acronymes, nombres, parenthèse. Pas le texte de démo du fournisseur.
2. Passez-le sans modification dans les trois outils de votre présélection.
3. Écoutez à vitesse 1x au casque, jusqu'au bout. L'écoute accélérée masque les problèmes de rythme.
4. Comptez les défauts précédents : mauvais accent, glyphes lus littéralement, noms massacrés, prises de tour mortes, silences uniformes.
5. Regardez le prix seulement ensuite. Un outil qui prononce mal le nom de votre entreprise n'est bon marché à aucun tarif.
6. Vérifiez la licence commerciale de la formule exacte que vous comptez acheter, pas celle du niveau supérieur.

Pour inclure notre produit dans ce test, la synthèse vocale et le podcast IA fonctionnent tous deux gratuitement sans carte. Si vous préférez évaluer depuis un terminal plutôt qu'un navigateur, npx skills add marswaveai/skills le met à disposition de votre agent de programmation, et la documentation API peut être consultée avant tout paiement.

Et si un concurrent gagne sur votre texte, il l'a mérité.