Cartesia contre ElevenLabs pour vos agents téléphoniques : réalisez un test vocal

Cartesia contre ElevenLabs pour les agents téléphoniques : comment choisir une voix efficace en conditions réelles

Toutes les démos vocales semblent excellentes. Une phrase enregistrée en studio, sans bruit de fond, sans interlocuteur qui vous coupe la parole au bout de deux mots. Les appels téléphoniques sont différents : audio compressé, personnes impatientes, noms à épeler et une facture qui grimpe à chaque minute de parole de l'agent. C'est pourquoi « Cartesia contre ElevenLabs » est une mauvaise question si vous y répondez à partir d'une page de présentation. La vraie question est : quelle voix tient la route lors de vos appels, à votre volume, pour un prix que vous pouvez budgétiser ?

Ce guide vous propose un test vocal reproductible pour les agents téléphoniques IA. Vous y trouverez les tarifs publics des deux fournisseurs, un calcul du coût à la minute que vous pouvez vérifier vous-même, un plan de test de 20 appels, une grille de notation et une règle de décision. Si vous souhaitez d'abord avoir une vue d'ensemble des fournisseurs, lisez notre précédent comparatif Cartesia contre ElevenLabs contre Minimax.io. Cet article va plus loin : il vous montre comment décider en fonction de votre propre cas d'usage.

Ce qu'une voix fait réellement lors d'un appel téléphonique

Le modèle de synthèse vocale (TTS) est le dernier maillon de la chaîne. L'appelant parle, la reconnaissance vocale (STT) transforme ses paroles en texte, le modèle de langage décide quoi répondre, et le TTS transforme la réponse en audio. Si vous souhaitez comprendre toute la chaîne, notre guide sur le TTS et le STT pour les agents vocaux l'explique étape par étape.

Pour un agent téléphonique, la voix influe sur quatre éléments que l'appelant remarque en quelques secondes :

• Le temps avant la première réponse audio. La durée pendant laquelle l'appelant attend dans le silence après avoir terminé sa phrase. Plus d'informations à ce sujet dans notre guide sur la latence des agents vocaux.
• La clarté sur une ligne téléphonique. L'audio téléphonique est compressé. Une voix qui semble riche au casque peut paraître étouffée sur un combiné.
• Le traitement des contenus complexes. Numéros de téléphone, noms de rues, adresses e-mail, codes produits et noms de marques.
• Le ton. Calme et amical pour un cabinet dentaire, dynamique pour un service de livraison, formel pour un cabinet d'avocats.

Ce que les deux fournisseurs publient

Les deux fournisseurs publient leurs tarifs. Nous avons consulté les deux pages de tarification le 1er novembre 2026. Utilisez-les comme point de départ et vérifiez à nouveau les pages avant de signer quoi que ce soit, car les offres évoluent.

Deux points ressortent. Premièrement, les unités diffèrent : Cartesia vend des lots de crédits, ElevenLabs vend des caractères. Vous ne pouvez pas comparer directement les chiffres affichés. Deuxièmement, le seul chiffre de vitesse est une affirmation du fournisseur pour un modèle donné. Une affirmation n'est pas une mesure sur votre ligne téléphonique, c'est pourquoi le test ci-dessous est crucial.

Coût par minute de parole de l'agent, calculé

Pour comparer les deux sur une même échelle, convertissez les deux en coût par minute d'audio. Cartesia indique qu'une minute d'audio nécessite environ 750 à 800 crédits. Nous utilisons la moyenne de 775 caractères par minute pour les deux fournisseurs. Il s'agit d'une hypothèse de comparaison, la vitesse d'élocution variant selon la voix et la langue.

Le calcul : prix pour 1 000 caractères multiplié par 0,775. Cartesia Scale coûte 299 USD pour 8 millions de crédits, soit 0,0374 USD pour 1 000. Startup est à 49 USD pour 1,25 million, soit 0,0392 USD pour 1 000. Pro est à 5 USD pour 100 000, soit 0,05 USD pour 1 000.

Le tableau montre ce que disent les chiffres : les modèles rapides se situent à moins de deux dixièmes de centime l'un de l'autre. Les modèles premium d'ElevenLabs coûtent environ deux fois plus cher à la minute. Pour un faible volume, c'est négligeable. À grande échelle, c'est un poste de dépense, alors examinez cet exemple concret.

Prenons un service client traitant 1 000 appels par mois, avec une durée de quatre minutes par appel. Supposons que l'agent parle environ la moitié du temps, soit 2 000 minutes de parole d'agent par mois. Aux tarifs ci-dessus, cela représente environ 58 USD avec le forfait Cartesia Scale, 62 USD avec ElevenLabs Flash et 124 USD avec les modèles premium d'ElevenLabs. Il ne s'agit que des coûts vocaux. Le modèle de langage, la reconnaissance vocale et la téléphonie sont des lignes de coûts distinctes. Notre analyse des cinq lignes de coûts derrière la minute montre comment elles s'additionnent.

Le test vocal des 20 appels

Un bon test est court, fixe et équitable. Voici une configuration qui prend environ deux heures.

Étape 1 : Rédigez 20 scripts courts basés sur des appels réels

Prenez des transcriptions réelles de votre boîte de réception ou de votre journal d'appels et choisissez les phrases que votre agent prononcera le plus souvent. Couvrez cinq groupes avec quatre scripts chacun :

1. Salutation et nom de l'entreprise. Incluez votre nom de marque exactement tel qu'il est écrit.
2. Chiffres et codes. Numéros de téléphone, numéros de commande, horaires d'ouverture, prix.
3. Noms et lieux. Noms de rues, villes locales, noms de famille courants dans votre région.
4. Empathie. Un retard, une plainte, une annulation.
5. Clôture et transfert. Confirmation d'un rendez-vous, transfert vers un humain.

Étape 2 : Utilisez le même agent, changez uniquement la voix

Gardez le prompt, le modèle de langage et le numéro de téléphone identiques. Seule la voix change. Sinon, vous testez le prompt, pas la voix. Dans Famulor, vous choisissez la voix dans la bibliothèque vocale, qui répertorie les voix de plusieurs fournisseurs, dont Cartesia et ElevenLabs. Prévisualisez d'abord, puis effectuez les appels de test sur une ligne téléphonique réelle.

Étape 3 : Appelez comme le ferait un client

Appelez depuis un téléphone mobile, pas depuis un casque à côté de votre ordinateur portable. Appelez une fois depuis une pièce calme et une fois depuis la rue ou une voiture. Coupez la parole à l'agent au milieu d'une phrase au moins cinq fois. Demandez-lui de répéter un chiffre. Épelez un nom et demandez-lui de confirmer.

Étape 4 : Notez chaque appel

Utilisez une grille pour chaque voix et notez chaque élément de 1 (mauvais) à 5 (excellent). Deux personnes devraient noter indépendamment, puis comparer.

Les pondérations sont des suggestions. Une entreprise qui énonce beaucoup de chiffres devrait augmenter la pondération de « contenu complexe ». Une marque premium pourrait augmenter celle de « adéquation du ton ».

Langues et accents : testez ce que parlent vos appelants

Si vos appelants parlent allemand, néerlandais, espagnol ou français, effectuez tout le test dans cette langue. Les voix qui excellent en anglais peuvent paraître rigides dans d'autres langues, et les noms régionaux sont un point faible classique. Pour l'allemand en particulier, testez les mots composés, les trémas et le vouvoiement (« Sie »). Notre benchmark de l'IA vocale allemand contre anglais explique pourquoi la même pile technologique se comporte différemment selon les langues.

Si votre entreprise opère dans plusieurs pays, testez un script par langue et gardez un score séparé par langue. La meilleure voix pour l'anglais n'est pas automatiquement la meilleure pour votre deuxième langue.

Quel fournisseur pour quelle situation

Il n'y a pas de gagnant universel. Ces règles empiriques vous aident à restreindre le champ avant de tester :

• Volume d'appels élevé, sensible au prix : commencez par les modèles rapides. L'écart de coût entre Cartesia et ElevenLabs Flash est faible, laissez donc le test d'écoute décider.
• Voix de marque ou voix clonée : présélectionnez les fournisseurs qui proposent un clonage professionnel, puis comparez la tenue du clone sur une ligne téléphonique. La bibliothèque vocale de Famulor prend également en charge les voix clonées professionnelles.
• Plusieurs langues : effectuez le test multilingue en premier, car c'est ce qui élimine les candidats le plus rapidement.
• Conversations émotionnelles : recouvrement, plaintes, sujets de santé. Écoutez le rythme et les pauses, et envisagez un modèle premium uniquement pour ces agents.

Vous n'êtes pas obligé d'utiliser une seule voix pour tout. Une pratique courante consiste à utiliser une voix rapide et peu coûteuse pour les appels entrants de routine et une voix premium pour les quelques flux où le ton est le produit lui-même.

Après le test : décidez et continuez à mesurer

Additionnez les scores pondérés et appliquez une règle simple : choisissez la voix avec le score le plus élevé, sauf si une voix moins chère se situe à moins de 0,2 point. Dans ce cas, prenez la moins chère. Passez ensuite en production avec une petite partie du trafic et mesurez ce qui compte : taux de complétion des appels, taux de transfert, questions répétées des appelants (« Désolé, pouvez-vous répéter ? ») et retours clients.

Le choix de la voix n'est pas une décision unique. Les fournisseurs publient de nouveaux modèles et votre mix d'appels évolue. Refaites le test des 20 appels chaque trimestre ou lorsque vous ajoutez une nouvelle langue. Si vous effectuez déjà des tests de prompts, notre guide sur les tests A/B pour les agents IA vocaux montre comment comparer deux versions sur du trafic réel.

Erreurs courantes

• Choisir sur la base d'une démo. Une démo représente le scénario idéal. Vos appels, eux, constituent la moyenne.
• Tester avec un casque. L'audio téléphonique est compressé. Testez sur un téléphone.
• Changer deux paramètres à la fois. Si vous modifiez simultanément la voix et le prompt, vous n'apprendrez rien.
• Ignorer le nom de la marque. Si l'agent écorche le nom de votre entreprise lors de l'accueil, tout le reste devient secondaire.
• Comparer les prix des forfaits au lieu du coût à la minute. Utilisez la même unité de mesure pour chaque option.

Conclusion

Cartesia et ElevenLabs sont deux choix solides pour les agents téléphoniques, et aux tarifs publics, les modèles rapides coûtent environ la même chose à la minute. La décision dépend donc de ce que vos appelants entendent. Effectuez le test des 20 appels, notez-les avec une grille fixe et laissez vos propres appels désigner le vainqueur. Avec Famulor, vous pouvez changer de voix par agent et relancer le test dès qu'un nouveau modèle apparaît. Si vous revendez de la téléphonie par IA, cette même flexibilité s'applique à vos clients grâce à la configuration en marque blanche.

Prêt à essayer ? Ouvrez la bibliothèque vocale, choisissez deux voix et passez votre premier appel de test dès aujourd'hui. Les tarifs de Famulor commencent à 0,05 € par minute, consultez la page de tarification pour tous les forfaits. Les équipes avec un volume plus important peuvent se tourner vers la configuration centre d'appels IA.

FAQ

Cartesia ou ElevenLabs, lequel est le meilleur pour les agents téléphoniques IA ?

Aucun ne gagne dans tous les cas. Aux tarifs publics, les modèles rapides coûtent environ 3 cents par minute de parole d'agent pour les deux. Le meilleur choix est la voix qui obtient les meilleurs scores lors de vos propres appels en termes de clarté, de prononciation et de ton.

Combien coûte une minute de voix IA ?

Pour la voix seule, environ 0,03 USD sur Cartesia et ElevenLabs Flash, et environ 0,06 USD sur les modèles premium ElevenLabs, sur la base des tarifs publics et de 775 caractères par minute audio. Le modèle de langage, la reconnaissance vocale et la téléphonie s'ajoutent à ce coût.

Quelle est la différence de latence entre Cartesia et ElevenLabs ?

ElevenLabs annonce environ 75 ms pour Flash. Cartesia n'affiche aucun chiffre de latence sur sa page de tarification. Considérez ces données comme des chiffres fournis par les vendeurs et mesurez vous-même le temps avant le premier son sur votre propre ligne téléphonique.

Combien de caractères contient une minute de parole ?

Cartesia indique qu'une minute d'audio utilise environ 750 à 800 caractères. Le nombre exact dépend de la voix, de la langue et du débit de parole.

Puis-je utiliser plus d'un fournisseur de voix ?

Oui. Dans Famulor, chaque agent possède sa propre voix, vous pouvez donc utiliser une voix économique pour les appels de routine et une voix premium pour les flux sensibles.

Combien d'appels de test dois-je effectuer ?

Vingt scripts courts par voix suffisent pour observer des différences nettes. Couvrez les salutations, les chiffres, les noms, l'empathie et le transfert, et incluez au moins cinq interruptions.

La voix affecte-t-elle la qualité de l'appel ou seulement le coût ?

Les deux. La voix détermine la rapidité avec laquelle l'appelant entend une réponse, la précision avec laquelle les chiffres et les noms sont compris et la crédibilité de l'agent, ce qui influence les taux de complétion et de transfert.

Puis-je cloner ma propre voix pour l'agent ?

Oui. La bibliothèque vocale Famulor prend en charge les voix clonées professionnelles à partir de vos enregistrements, et vous devriez effectuer le même test de 20 appels sur le clone avant de passer en production.

À quelle fréquence dois-je retester ma voix ?

Chaque trimestre, lorsqu'un fournisseur publie un nouveau modèle ou lorsque vous ajoutez une langue. Une relance rapide des 20 scripts prend environ deux heures.