Gemini 3.5 vs Soniox v5 vs Linden-1 : Guide STT 2026

Trois options de transcription vocale (STT), nouvelles ou récemment mises à jour, s'affrontent désormais pour les charges de travail des agents vocaux en production. Google a rendu Gemini 3.5 Transcribe et Transcribe Live généralement disponibles le 26 août 2026, Soniox a publié stt-rt-v5 le 16 juin, et LiveKit Agents a ajouté Gemini 3.5 Transcribe Live et Speechmatics Linden-1 le 27 août (Journal des modifications Google, Documentation du modèle Soniox, Notes de version de LiveKit Agents).

Il s'agit d'une comparaison basée sur la recherche et non d'un benchmark de laboratoire. Aucun test neutre et reproductible ne classe actuellement ces trois modèles précis sur le même jeu de données téléphonique allemand à 8 kHz. La question pertinente n'est donc pas « Quel modèle gagne globalement ? », mais plutôt quel chemin d'accès, quelle limite de session, quel format téléphonique, quel comportement de fin de parole (endpointing), quelle gestion linguistique, quel routage de données et quel modèle de facturation correspondent à vos appels. Si vous avez besoin des bases, commencez par ce que signifie la transcription vocale.

Points clés à retenir

• Gemini offre une large couverture multilingue directe et un accès natif à LiveKit Inference, mais les sessions en direct sont limitées à dix minutes et le routage LiveKit ne peut pas être ancré régionalement.
• Soniox combine des sessions longues, des codecs natifs pour la téléphonie, une diarisation en direct, le changement de langue automatique (code-switching) et un endpointing sémantique configurable via un plugin utilisant votre propre clé Soniox.
• Linden-1 est une option native de LiveKit Inference avec détection de fin de parole côté serveur, mais son entrée locale vad est ignorée et aucune garantie régionale spécifique à Linden n'est publiée.
• Les prix publics décrivent différents chemins d'accès et unités de facturation. Ils ne constituent pas un classement de qualité.
• Une décision doit faire suite à un test A/B contrôlé sur vos propres appels, en particulier sur l'audio du réseau téléphonique public commuté (RTC) allemand, la capture d'entités, les limites de tours de parole et le coût réel par minute de conversation.

Comparaison rapide

Le tableau est un instantané daté du 29 août 2026. Il évite délibérément les scores de précision car les benchmarks des fournisseurs n'utilisent pas un jeu de données, un canal téléphonique, un mélange linguistique ou une configuration d'endpointing partagés.

Chemins d'accès et d'intégration

Les trois noms cachent des modèles de déploiement différents qui affectent les identifiants, le routage et la facturation. Une liste de contrôle plus large pour choisir un fournisseur STT aide à séparer les exigences au niveau du fournisseur des tests au niveau du modèle.

Gemini 3.5 Transcribe Live

L'ID du modèle direct est gemini-3.5-transcribe-live ; LiveKit l'expose sous le nom google/gemini-3.5-transcribe-live. Il prend en charge les résultats intermédiaires et finaux via une session WebSocket en direct. La documentation directe de Google décrit également le comportement de transcription stricte et de transcription intelligente, ainsi que des stratégies d'activité vocale automatiques, hybrides et manuelles (Page du modèle Gemini, guide de transcription en direct).

La contrainte opérationnelle importante est le maximum de dix minutes par session. Les appels longs nécessitent une stratégie planifiée de basculement, de chevauchement et de réconciliation des transcriptions. La transcription en direct de Gemini manque également d'horodatages par mot et de diarisation des locuteurs en direct. La page LiveKit Gemini expose actuellement une liste de codes linguistiques plus étroite que la documentation directe de Google et n'établit pas que chaque contrôle VAD direct est configurable via LiveKit Inference.

Soniox stt-rt-v5

Soniox utilise le chemin du plugin LiveKit plutôt que LiveKit Inference, l'application fournit donc sa propre clé Soniox. Définissez stt-rt-v5 explicitement. La documentation actuelle du plugin Node.js peut encore afficher v4 par défaut, alors que Soniox alias v4 vers v5 côté serveur. La mise à jour du pipeline Soniox fournit un contexte connexe.

Soniox documente des sessions de streaming en temps réel allant jusqu'à 300 minutes (transcription en temps réel, limites et quotas). C'est utile pour les longues consultations, mais les équipes doivent tout de même prévoir une gestion des reconnexions et des échecs.

Speechmatics Linden-1

Linden-1 est accessible en tant que speechmatics/linden-1 via LiveKit Inference, qui gère le routage du modèle et la facturation de l'utilisation. Un SKU d'API directe publique distinct pour ce modèle exact n'a pas été vérifié. Speechmatics positionne Linden pour les agents vocaux, et LiveKit le recommande pour la plupart des charges de travail d'agents Speechmatics (annonce Speechmatics, page LiveKit Speechmatics).

La fin de la parole est détectée côté serveur. Un objet vad LiveKit local est ignoré pour Linden, les équipes ne doivent donc pas supposer que le remplacement des bibliothèques VAD locales modifiera sa limite de tour de parole.

Conversations en allemand et multilingues

Les trois options incluent l'allemand, mais leurs revendications linguistiques publiées ne sont pas directement équivalentes. Google indique plus de 85 langues pour le modèle direct, tandis que LiveKit répertorie actuellement 26 codes linguistiques pour son intégration Gemini. Gemini peut changer de langue au cours d'une session. Soniox documente plus de 60 langues et le changement automatique de code, y compris les changements au sein d'une même phrase (guide Google live, langues supportées par Soniox). La page LiveKit de Linden répertorie plus de 55 langues, mais les sources examinées ne confirment pas clairement un changement automatique arbitraire.

Pour le trafic de production en allemand, testez les noms, les noms composés, les dialectes, l'allemand accentué et les changements allemand-anglais. Ajoutez des termes métier avec le vocabulaire personnalisé de Gemini, le contexte et les termes de Soniox, ou le additional_vocab de Speechmatics. Testez le vocabulaire par rapport à des énoncés réels en utilisant ces directives pour les termes spécialisés et les noms.

La détection des tours de parole compte au-delà de la précision de la transcription

Les agents vocaux agissent lorsque le système STT décide qu'un utilisateur a terminé. Une transcription correcte qui arrive après une longue pause peut toujours créer une mauvaise conversation, tandis qu'un endpointing précoce peut couper une date, une adresse ou une correction. Une discussion Hacker News actuelle n'est utile qu'en tant que signal de praticien indiquant que la prise de parole mérite des tests en production. Ses commentaires et les chiffres de latence rapportés ne constituent pas une comparaison contrôlée de ces modèles.

Google documente une VAD serveur automatique, une stratégie hybride qui combine la détection de début de parole serveur avec le signal audio_stream_end local, et des marqueurs d'activité entièrement manuels. Le mode hybride direct peut éviter d'attendre le délai d'expiration du serveur, mais la parité de configuration via LiveKit doit être vérifiée plutôt que supposée.

Soniox décrit explicitement l'endpointing sémantique basé sur les pauses, l'intonation, les modèles de parole et le contexte. Il expose endpoint_latency_adjustment_level de 0 à 3, endpoint_sensitivity de -1,0 à 1,0, et max_endpoint_delay_ms de 500 à 3 000 ms. Des paramètres plus agressifs peuvent augmenter la segmentation et affecter légèrement la précision des mots et de la diarisation, selon la documentation de détection d'endpoint Soniox.

Linden détecte la fin de la parole sur le serveur. N'appelez pas cela de l'endpointing sémantique sans une source primaire spécifique à Linden. Les conséquences architecturales sont plus faciles à évaluer parallèlement au guide d'architecture de pipeline et temps réel et à la répartition de la latence des agents vocaux.

Audio téléphonique et données structurées

Soniox documente le support direct de l'audio opérateur car son API temps réel accepte PCM, mu-law, A-law et d'autres formats. La spécification de transcription en direct directe de Gemini nécessite du PCM 16 bits à 16 kHz mono, ce qui peut nécessiter un rééchantillonnage à partir d'un flux RTC à 8 kHz. LiveKit abstrait le transport média pour Linden, mais cela ne prouve pas une capacité de codec brut spécifique à Linden.

Évaluez les champs structurés séparément : noms, adresses e-mail épelées, numéros de téléphone, IBAN, heures de rendez-vous, codes postaux et codes produits. Mesurez le taux d'erreur sur les entités ainsi que le taux d'erreur sur les mots. Gemini n'a pas de diarisation en direct, Soniox en a une, et la diarisation Speechmatics doit être validée sur le chemin Linden exact.

Confidentialité et régions de traitement

Aucune déclaration d'hébergement UE unique ne couvre les trois chemins. LiveKit Inference n'a par défaut aucune rétention de données, mais Gemini 3.5 Transcribe Live fonctionne via un déploiement global et ne peut pas être sélectionné pour une requête ancrée régionalement. Cela empêche une revendication stricte de « région uniquement » pour ce chemin.

Soniox documente des domaines UE dédiés, y compris stt-rt.eu.soniox.com, le traitement régional et le stockage régional. La résidence des données UE doit d'abord être activée (résidence des données Soniox). Aucune garantie de région spécifique à Linden via LiveKit n'a été vérifiée. Confirmez le chemin contractuellement avant un déploiement uniquement UE et passez en revue d'autres choix de déploiement STT pour l'IA vocale.

Comparaison des prix par chemin d'accès

L'estimation Soniox suit sa tarification par jetons et consommation de référence. L'estimation de Gemini suit la tarification de l'API Gemini de Google. Les deux chiffres LiveKit proviennent de la tarification LiveKit Inference. Comparez les factures uniquement après avoir normalisé ce que chaque chemin inclut. Un coût STT inférieur n'implique pas un coût total inférieur ou une qualité de reconnaissance supérieure.

Un test A/B neutre pour les appels réels

Utilisez un audio, une logique en aval et des fenêtres de mesure identiques. Incluez :

1. Enregistrements RTC mu-law 8 kHz allemands, plus la version rééchantillonnée requise par une intégration.
2. Allemand standard, dialectes régionaux, locuteurs non natifs et changement de code allemand-anglais.
3. Noms, adresses e-mail, IBAN, numéros de téléphone, heures, dates et codes produits.
4. Silence, pauses de réflexion, autocorrections, chevauchement de parole, bruit de fond et interruption (barge-in).
5. Appels de service courts et appels de plus de dix minutes, y compris un basculement de session Gemini contrôlé.

Rapportez les taux d'erreur sur les mots et les entités, le temps écoulé entre la trame de parole finale et une transcription stable, les endpoints précoces et tardifs, le churn partiel, les erreurs de barge-in, les reconnexions et le coût réel par minute de conversation. Passez en revue par scénario car une moyenne peut masquer des échecs sur des champs critiques pour l'entreprise.

Matrice de décision

Cette matrice priorise un ordre de test, pas un gagnant universel. Vérifiez également si chaque modèle exact est disponible dans votre espace de travail actuel avant le déploiement.

Questions fréquemment posées

Quel modèle est le plus précis pour les appels téléphoniques allemands ?

Il n'existe aucun benchmark neutre en tête-à-tête pour ces versions exactes sur le même jeu de données téléphonique allemand à 8 kHz. Testez vos propres appels et rapportez à la fois le taux d'erreur sur les mots et le taux d'erreur sur les entités. Les scores des fournisseurs provenant de différents jeux de données ne peuvent pas établir un classement équitable.

Gemini 3.5 Transcribe Live peut-il gérer des appels de plus de dix minutes ?

Pas en tant que session documentée ininterrompue. Le maximum publié est de dix minutes, les appels plus longs nécessitent donc une conception de basculement avec chevauchement, réconciliation des transcriptions et tests d'échec.

Soniox stt-rt-v5 est-il automatiquement traité dans l'UE ?

Non. Soniox propose des endpoints UE dédiés et un stockage régional, mais l'accès à la résidence des données doit être activé. Confirmez l'endpoint, le comportement de stockage et le contrat avant la mise en production.

Linden-1 utilise-t-il l'endpointing sémantique ?

Les sources primaires examinées confirment la détection de fin de parole côté serveur et que la VAD LiveKit locale est ignorée. Elles ne confirment pas l'endpointing sémantique pour Linden-1, cette étiquette ne doit donc pas être utilisée sans une documentation plus récente spécifique au modèle.

Conclusion et prochaine étape

Gemini 3.5 Transcribe Live, Soniox stt-rt-v5 et Speechmatics Linden-1 résolvent des problèmes de déploiement différents. Gemini met l'accent sur la portée multilingue directe et l'accès LiveKit natif, Soniox expose des contrôles de téléphonie et d'endpointing via un plugin fournisseur, et Linden offre un chemin géré par LiveKit avec achèvement des tours de parole côté serveur. Aucune de ces différences ne prouve un gagnant en précision globale.

Choisissez une liste restreinte à partir de la matrice de décision, vérifiez la disponibilité du modèle dans votre espace de travail et passez le même ensemble d'appels allemands à travers chaque candidat. Si vous souhaitez évaluer cette configuration par rapport à des conversations réelles, réservez une démo Famulor personnelle pour examiner ensemble votre flux d'appels, vos langues et votre environnement de téléphonie.

À propos de l'auteur

Sarah Müller est l'auteure nommée de cette comparaison Famulor. L'analyse utilise la documentation primaire publique et sépare les faits publiés des estimations et des signaux de praticiens. Pour des questions éditoriales ou de produit, contactez le support Famulor. Le traitement des données personnelles par Famulor est décrit dans ses informations de confidentialité.