Qu’est-ce qu’une API vocale en temps réel ?

Une API vocale en temps réel diffuse une session audio bidirectionnelle en direct via une connexion WebSocket: votre application transmet l’audio du microphone vers le modèle et joue sa réponse vocale à son arrivée. L’utilisateur peut interrompre la réponse à tout moment, et le même point de terminaison sert également la transcription en direct.

Types de modèles

Ce qu’est une API vocale en temps réel

La plupart des API IA suivent un schéma de requête et de réponse: vous envoyez une entrée complète et attendez une sortie complète. Une API vocale en temps réel maintient une connexion ouverte à la place. L’audio circule dans les deux directions simultanément via un WebSocket, de sorte que votre application peut transmettre le microphone d’un utilisateur vers le modèle tandis que la réponse parlée du modèle est en retour. Chaque partie peut parler à tout moment, permettant à l’utilisateur d’interrompre le modèle en plein milieu de la réponse.

Le modèle auquel vous vous connectez décide du type de session que vous obtenez:

  • Parole à parole. Une conversation orale avec un modèle qui écoute et répond avec sa propre voix.
  • Transcription en direct. Le texte est renvoyé alors que le locuteur est encore en train de parler.
  • Traduction vocale. Le modèle répond dans une langue cible, avec du texte et de l’audio.
  • Texte vocal. Vous envoyez du texte en streaming, et la parole revient alors que le texte est encore en train d’arriver.

Comment fonctionne une session en temps réel

Vous ouvrez un WebSocket pour wss://api.empiriolabs.ai/v1/realtime ?model=MODEL_ID et authentifiez-vous avec votre clé API dans le Autorisation en-tête de la poignée de main. Une fois la session commencée, vous définissez la voix, les instructions et le mode de détection de virage, puis diffusez l’audio en petits blocs. Le modèle renvoie des blocs audio à lire, une transcription de ce qu’il dit, et un événement marquant la fin de chaque tour.

La détection de tour détermine quand le modèle répond. Avec la détection d’activité vocale côté serveur, le modèle remarque quand le locuteur s’arrête et répond de lui-même, et parler pendant sa réponse l’interrompt. Avec la détection de turn désactivée, votre application termine chaque tour et demande la réponse. Beaucoup speech-to-speech modèles peuvent également appeler les fonctions que vous déclarez pendant la conversation, et certains acceptent des images vidéo en direct ou font des recherches sur le web.

Le code du navigateur ne doit jamais contenir votre clé API, donc une page web se connecte à un secret client éphémère que votre serveur crée avec APRÈS /v1/realtime/client_secrets. Le point de terminaison suit le protocole OpenAI Realtime, de sorte que les SDK OpenAI peuvent s’y connecter.

À quoi sert la voix en temps réel

  • Agents vocaux. Des files de soutien, de réservation et d’accueil qui répondent aux questions et appellent vos services pour vérifier une commande ou prendre rendez-vous.
  • Assistants intégrés. Aide mains libres à l’intérieur d’un produit ou d’un appareil.
  • Tutorat et pratique linguistique. Des leçons parlées qui répondent pendant que l’apprenant parle.
  • Sous-titres en direct. Envoyer des textos pour des réunions, des streams et des événements pendant que les gens discutent.
  • Interprétation. Parole traduite dans une langue cible pendant une conversation.

Choisir un modèle et comprendre le fonctionnement de la facturation

Comparez la latence de réponse, les voix et les langues, la manière dont le modèle gère les interruptions et le bruit de fond, et s’il supporte l’appel de fonctions, l’entrée vidéo ou la recherche web. Puis vérifiez l’unité de facturation sur chaque page du modèle. Les modèles de parole à voix facturent chaque tour complété à partir des jetons utilisés, et beaucoup tarifent séparément les jetons audio et texte, donc un tour parlé et un tour dactylographié de même longueur coûtent des montants différents. Un modèle tarifé par minute facture plutôt la durée de la session. La transcription en direct facture selon la durée de l’audio que vous envoyez, ou par jetons sur certains modèles.

Essayez un modèle temps réel sur EmpirioLabs AI

Ouvrir la Playground, sélectionnez un modèle en temps réel, choisissez une voix et commencez à parler. Pour créer votre propre client, créez une clé API dans le tableau de bord et suivez le Guide de l’API vocale en temps réel, qui liste chaque modèle en temps réel avec ses langues et voix, les événements, ainsi qu’un exemple complet. Les modèles en temps réel apparaissent parmi les Modèles audio et les Modèles de transcription.

Payez au fur et à mesure, ou choisissez un plan avec des indemnités hebdomadaires. Les tarifs actuels sont sur le page de prix.

Les modèles sur EmpirioLabs AI

20 modèles, du moins cher au plus cher lorsqu'ils partagent une unité de facturation. La page de chaque modèle présente sa grille tarifaire complète, ses paramètres et du code.

Endpoints

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices

Prix par minute ou par heure d'audio

ModèleTarif le plus basS'applique à
StepAudio 2.5 ASR Stream StepFun$0.40 par heure d’audioTranscription
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 par heure d’audioTranscription
Deepgram Nova-3 Stream Deepgram$0.025 par minute d’audioTranscription
OpenAI Whisper 1 OpenAI$0.030 par minutePar minute d’audio

Également disponibles : StepAudio 3 Realtime, StepAudio 2.5 Realtime, Qwen3.5 Omni Flash Realtime, Qwen3.5 Omni Plus Realtime, Qwen3.8 LiveTranslate Flash Realtime, Qwen3.8 Omni Flash Realtime, Qwen Audio 3.1 Realtime Plus, Gemini 3.8 Live, Gemini 3.8 Live Extended Thinking, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 Realtime Flash, Qwen Audio 3.0 Realtime Plus, Qwen Audio 3.0 Realtime Flash

Questions fréquentes

Quelle est la différence entre une API vocale en temps réel et une API text-to-speech ?

Une API text-to-speech transforme le texte en audio, une requête à la fois. Une API vocale en temps réel maintient ouverte une connexion bidirectionnelle, permettant au modèle d’écouter, de répondre par la parole et d’être interrompu en une seule session.

Pourquoi une API vocale en temps réel utilise-t-elle un WebSocket ?

Un WebSocket transporte les données dans les deux directions simultanément via une seule connexion, de sorte que l’audio du microphone peut circuler vers le modèle tandis que sa réponse revient. Une réponse HTTP transmise en flux ne porte que la sortie.

Les utilisateurs peuvent-ils interrompre l’IA pendant qu’elle parle ?

Oui. Avec la détection d’activité vocale côté serveur, parler pendant que le modèle répond l’interrompt, et le modèle répond à la nouvelle entrée.

Comment une session vocale en temps réel est-elle facturée ?

Les modèles de parole à voix annoncent chaque tour complété par leurs jetons, ou la durée de la session sur les modèles à un prix par minute. La transcription en direct facture selon la durée de l’audio envoyé, ou par jetons sur certains modèles. Sur EmpirioLabs AI vous pouvez payer à l’avance ou choisir un forfait avec des quotas hebdomadaires.

Puis-je me connecter à une API vocale en temps réel depuis un navigateur ?

Oui. Votre serveur crée un secret client éphémère avec votre clé API, et la page web ouvre le WebSocket avec ce secret, de sorte que la clé API n’atteint jamais le navigateur.

Prêt à utiliser de meilleurs points de terminaison ?

Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.