Qui fabrique des podcasts, des livres audio ou des commentaires vidéo finit par tomber sur le même calcul : enregistrer soi-même ou engager une voix, aucun des deux n'est bon marché. Ajoutez une version multilingue et le coût repart en multiple. ElevenLabs vise précisément cette étape : donner du texte, récupérer une voix humaine utilisable, et copier une voix donnée pour la réutiliser.

Le site découpe le produit en trois : ElevenCreative pour la création de contenu, couvrant voix, musique, effets sonores, image et vidéo ; ElevenAgents pour les agents conversationnels, sur plus de 70 langues ; et ElevenAPI, qui ouvre les mêmes capacités aux développeurs. Les trois partagent les mêmes modèles sous-jacents, seule l'entrée change.

Une chaîne de contenu qui couvre les étapes gourmandes en main-d'œuvre

Étalé, ElevenCreative réunit synthèse vocale, reconnaissance vocale, génération d'effets sonores, génération musicale, design de voix et doublage, plus image et vidéo. La description officielle est sèche : du podcast au livre audio en passant par le commentaire, tout se termine dans un seul éditeur, sans faire la navette entre cabine, logiciel de montage et banque de ressources.

Choisir un modèle : latence et qualité sont deux routes

La page de synthèse vocale propose une comparaison vraiment utile : tous les modèles traitent plus de 29 langues, la différence tient à l'extrémité que l'on privilégie.

Multilingual v2 couvre 29 langues sans latence publiée et convient au commentaire, au livre audio et à la post-production. Flash v2.5 couvre 32 langues à environ 75 millisecondes, pensé pour les situations temps réel où la vitesse compte. Turbo v2.5 se situe autour de 250 à 300 millisecondes, équilibre qualité et vitesse, et coûte 50 pour cent de moins par caractère.

Que signifient 75 millisecondes ? En conversation, dès qu'une réponse vocale glisse vers les centaines de millisecondes, on sent que l'autre attend. Flash v2.5 existe pour cela. Pour une piste finie, quelques centaines de millisecondes de plus pour une meilleure texture placent Turbo v2.5 ou Multilingual v2 devant.

Bibliothèque de voix et clonage

La page de synthèse vocale indique que plus de 11000 voix sont accessibles. Si cela ne suffit pas, deux autres voies existent : Voice Design génère une voix d'IA inédite à partir d'une description écrite du timbre, et le clonage transforme un enregistrement en un timbre que l'on peut appeler à volonté.

Le clonage se fait en deux paliers. Le clonage instantané commence à Starter, le clonage professionnel à Creator, et ce dernier demande une à cinq minutes d'audio selon la page officielle. Plus le matériel est abondant, plus le résultat approche la personne : un compromis qui suit l'intuition.

Doublage et reconnaissance : la moitié que l'on oublie

Ne voir là que de la synthèse vocale fait manquer la seconde moitié. Le modèle de doublage Dubbing v2 couvre plus de 90 langues et accents, et les notes officielles insistent sur le fait qu'il se conditionne sur l'audio d'origine plutôt que sur une transcription : le ton, l'émotion et le rythme de la source passent dans la langue cible, pas seulement le sens littéral. Pour les équipes qui veulent des cours, entretiens ou films promotionnels en plusieurs langues, cette étape économise tout le coût d'un redoublage.

Coté reconnaissance, Scribe v2 Realtime transcrit avec une latence inférieure à 150 millisecondes sur plus de 90 langues. Sa position est claire : les agents et les réunions qui doivent comprendre immédiatement, pas la transcription hors ligne qui téléverse un fichier et rend un résultat quelques minutes plus tard.

Agents conversationnels : réels seulement une fois branchés aux systèmes existants

ElevenAgents mérite son paragraphe. Le site indique que les agents dialoguent avec les clients par voix ou par chat, sur plus de 70 langues, avec détection et bascule de langue en temps réel. Plus important encore, la liste des canaux : téléphone, chat, e-mail et WhatsApp sont pris en charge, et les agents se connectent au CRM, au helpdesk, à l'agenda, aux paiements et aux opérateurs téléphoniques.

Pour les équipes support et opérations, la qualité d'un outil dépend souvent moins du modèle que de sa capacité à s'insérer dans les flux de tickets et de paiement existants. Le site mentionne aussi la possibilité de valider le comportement en conversation simulée avant le déploiement et de poser des garde-fous de conformité selon une procédure — deux points qui comptent pour la revue avant mise en service plus que pour la démo.

Prix : commencer par les dix minutes gratuites

Le palier gratuit donne 10000 caractères par mois, ce que le site convertit lui-même en une dizaine de minutes d'audio : de quoi vérifier un timbre et une langue, mais vite épuisé dès que le contenu réel démarre.

Starter coûte 6 dollars pour 30000 caractères, avec la licence commerciale, le clonage instantané et un studio de doublage. Creator coûte 22 dollars, à moitié prix le premier mois, pour 121 000 caractères, le clonage professionnel et des crédits rechargeables. Pro coûte 99 dollars pour 600000 caractères, avec sortie PCM en 44.1 kHz et audio en 192kbps. Scale coûte 299 dollars pour 1,8 million de caractères, trois clones professionnels et trois sièges d'espace de travail. Business coûte 990 dollars pour 6 millions de caractères, dix clones professionnels et la synthèse à faible latence facturée à la minute.

Un détail passe facilement inaperçu : la licence commerciale ne commence qu'à Starter. Savoir si l'audio produit avec le palier gratuit peut servir commercialement mérite vérification — deux minutes de lecture bien investies avant de commencer.

À qui cela convient

Si votre production contient beaucoup de voix — podcast, livre audio, commentaire de cours, explication de vidéo produit — ou si le même contenu doit exister en plusieurs langues, le gain est concret : au lieu de réserver une cabine et de réunir des comédiens, on fabrique une première version puis on décide quels passages méritent une reprise par un humain.

Certains points se règlent à l'avance. Le clonage touche au timbre d'une personne réelle : avant de reproduire une voix, vérifiez l'autorisation, c'est à la fois une question juridique et une règle de plateforme. Et là où le contenu exige une forte performance émotionnelle ou la couleur locale d'un accent précis, l'audio généré reste un brouillon utilisable, et une reprise humaine peut demeurer nécessaire.

Un outil vocal ne change pas la possibilité de doubler, il change le calcul du nombre de versions linguistiques. Quand le coût marginal de la deuxième langue et de la dixième approche zéro, la portée du contenu s'ouvre vraiment.