Guide
Combien coûte un agent vocal IA par minute
Un agent téléphonique IA est une chaîne de quatre services facturés à l’usage qui tournent en boucle : la reconnaissance vocale (STT) transcrit l’appelant, un LLM décide quoi répondre, la synthèse vocale (TTS) prononce la réponse, et un opérateur téléphonique achemine l’appel. Chacun est facturé différemment (à la minute d’audio, au token, au caractère et à la minute d’appel), c’est pourquoi les prix de l’IA vocale sont difficiles à comparer d’un coup d’œil. Le calculateur ramène tout à un coût par minute. Avec les valeurs par défaut ci-dessus (500 appels par jour, de 4 minutes chacun), la chaîne coûte environ $0.0381 par minute, soit $2,318 par mois.
Reconnaissance vocale (STT)
Le STT est facturé à la minute d’audio, et tout l’appel est transcrit, que l’appelant parle ou non. Dans ce calculateur, les tarifs vont de $0.001 à $0.0077 par minute. Le streaming compte plus que le prix : la transcription en batch est moins chère, mais un agent en direct a besoin de transcriptions partielles en quelques centaines de millisecondes pour paraître réactif.
LLM
Le LLM est généralement le poste le plus faible, car les réponses orales sont courtes, mais il se comporte comme n’importe quel agent multi-tours : chaque tour renvoie le prompt système et la conversation jusque-là. À 4 tours par minute, un appel de 4 minutes déclenche 16 appels au LLM et relit 42 000 tokens d’entrée. Le cache de prompt maintient ce coût bas. Ce sont les appels longs avec de gros prompts système et sans cache qui font grimper le coût du LLM. Le calculateur de prix LLM modélise la même croissance du contexte pour les agents textuels, et le tableau des prix LLM liste les tarifs par token utilisés dans le menu LLM.
Synthèse vocale (TTS)
Le TTS est facturé au caractère généré, uniquement pour la part de l’appel où l’agent parle. À environ 825 caractères par minute parlée, avec un agent qui parle 45 % du temps, une minute d’appel nécessite ~371 caractères. Le TTS coûte donc entre $0.00556 et $0.0371 par minute d’appel selon la voix, et les voix premium sont souvent le poste le plus coûteux de toute la chaîne.
Téléphonie et frais de plateforme
Les opérateurs comme Twilio et Telnyx facturent de $0.007 à $0.014 par minute pour la voix aux États-Unis, et un agent WebRTC dans un navigateur ou une application s’en passe complètement. Les plateformes managées comme Vapi et Retell ajoutent des frais d’orchestration de $0.05 à $0.07 par minute en plus des fournisseurs sous-jacents. Ces frais couvrent la gestion des tours de parole, des interruptions, du transfert d’appel et l’analytique, qui demandent un vrai effort d’ingénierie à développer. Utilisez le champ plateforme pour comparer une stack managée à une stack faite maison.
Comment optimiser la latence et le coût d’un agent vocal
La voix est le seul cas d’usage LLM où la latence compte autant que le prix. Les appelants attendent une réponse dans les 800 ms environ après la fin de leur phrase, et ce budget est partagé entre la finalisation du STT, le délai jusqu’au premier token du LLM et le délai jusqu’au premier son du TTS. Les choix les moins chers sont souvent aussi les plus rapides :
- Choisissez un LLM rapide de milieu de gamme ou économique. Les modèles phares et de raisonnement ajoutent des secondes de réflexion et coûtent plusieurs fois plus cher par token, pour peu de bénéfice sur des appels scénarisés.
- Streamez tout. Le STT en streaming, le streaming des tokens du LLM et le TTS en streaming font se chevaucher les étapes au lieu de les exécuter l’une après l’autre.
- Gardez le prompt système court et en cache. Moins de tokens d’entrée par tour, c’est un premier token plus rapide et une facture LLM plus basse.
- Adaptez la voix à l’appel. Utilisez des voix TTS premium pour la vente et les appels sensibles pour la marque, et des voix moins chères pour les rappels, les enquêtes et le support courant.
- Terminez proprement les appels. Détectez tôt la messagerie vocale et les silences, et raccrochez une fois la tâche accomplie ; chaque minute inactive paie quand même le STT et la téléphonie.
- Négociez au volume. Au-delà d’environ 100 000 minutes par mois, les fournisseurs de STT, de TTS et de plateforme proposent tous des remises sur engagement.
À très grand volume, auto-héberger le LLM ou un modèle Whisper sur un GPU dédié peut revenir moins cher qu’une tarification au token ou à la minute. Le calculateur de seuil de rentabilité API vs auto-hébergement montre où se situe ce point de bascule, et le calculateur de VRAM LLM indique le GPU dont vous auriez besoin.