Gemini TTS : la voix off à 0,81 $/h, le clonage bloqué en France

Le 23 septembre, Google a publié deux modèles de synthèse vocale — Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS — avec une promesse tenable en une phrase : décrire une voix en langage naturel, et l'obtenir. Le tarif d'appel, environ 0,81 $ l'heure d'audio produit, place la voix off professionnelle à un niveau de prix que personne ne pratiquait il y a un an. Deux lignes en petits caractères méritent pourtant l'attention d'un dirigeant français : le prix double le 1^er janvier 2027, et la fonction de clonage vocal n'est tout simplement pas ouverte dans l'Espace économique européen.

Ce que Google a livré le 23 septembre (et ce qu'il n'a pas livré)

Les deux modèles se partagent le terrain. Flash TTS vise la production soignée — narration, livre audio, personnages, podcast — avec un contrôle fin du jeu d'acteur, du rythme et des accents. Flash-Lite TTS vise le volume : doublage, agents vocaux, notifications, tout ce qui se compte en dizaines de milliers de fichiers. Les deux passent par l'API Gemini et Google AI Studio, sans poids ouverts : impossible de les héberger chez soi ou chez un cloud français, contrairement à ce que permettent certains modèles open weights.

Le catalogue a pris du volume. On passe de 30 voix studio (Kore, Puck, Charon et consorts) à une bibliothèque étendue que Google chiffre à plus de 2 000 voix prêtes à l'emploi, filtrables par langue, accent, tessiture et persona. La documentation officielle annonce plus de 130 langues pour Flash TTS et une centaine pour Flash-Lite. S'y ajoutent deux mécanismes : le Voice Design, qui fabrique une voix à partir d'une description écrite (« femme, la quarantaine, accent du Sud-Ouest léger, débit posé, timbre chaud »), et la réplication vocale à partir d'un échantillon de 30 secondes.

« Écrivez vos propres indications scéniques, ou laissez Gemini piloter la diction à partir des indices du script », résume l'annonce officielle de Google.

Concrètement, on dirige la prise réplique par réplique en langage naturel, on insère des balises non verbales (<laughs>, <sigh>) et des relances de conversation (|mhm|), et on génère nativement un dialogue à deux voix dans une seule requête. Tout l'audio sort tatoué SynthID, avec des métadonnées C2PA.

Côté classement, Gemini 3.8 Flash TTS prend la première place du Voice Design Benchmark de Hume AI, avec un score global de 71,4 et 60,8 sur la modélisation d'accent. Sur l'arène d'écoute à l'aveugle d'Artificial Analysis, c'est plus serré : deuxième avec un Elo de 1260 contre 1273 pour le leader, Flash-Lite se classant sixième à 1235. Traduction : le modèle est excellent pour inventer une voix, très bon mais pas intouchable pour la restituer.

Combien coûte une heure de voix off avec Gemini TTS en France

La facturation ne se fait pas au caractère, comme chez Google Cloud TTS ou ElevenLabs, mais en tokens texte en entrée et tokens audio en sortie. La grille publiée par Google donne, jusqu'au 31 décembre 2026 :

• Flash TTS : 0,50 $ le million de tokens texte en entrée, 9 $ le million de tokens audio en sortie, soit environ 0,0135 $ la minute et 0,81 $ l'heure de parole.
• Flash-Lite TTS : 0,50 $ en entrée, 6 $ en sortie, soit environ 0,009 $ la minute et 0,54 $ l'heure.
• Un palier gratuit reste accessible via AI Studio — avec, comme d'habitude chez Google, des données d'usage susceptibles d'alimenter l'amélioration des produits.

Sur des volumes réels, ça donne : un épisode de podcast de 30 minutes autour de 0,41 $, un livre audio de 8 heures à 6,48 $, et 10 000 messages de support de 15 secondes chacun pour 33,75 $. Pour un organisme de formation qui sonorise 40 modules e-learning de 12 minutes, on est sous les 7 $ de synthèse. Le poste de coût dominant redevient l'écriture du script et le montage, pas la voix.

Le piège du 1^er janvier 2027

Les tarifs ci-dessus sont promotionnels et Google le dit noir sur blanc : au 1^er janvier 2027, Flash TTS passe à 1 $ / 18 $ le million de tokens (environ 1,62 $ l'heure) et Flash-Lite à 1 $ / 12 $ (environ 1,08 $ l'heure). Un doublement sec, programmé, qui rappelle la mécanique déjà observée sur le modèle texte maison — nous l'avions chiffrée dans notre test de Gemini 3.8 Flash et sa facture réelle.

Clonage de voix : l'Espace économique européen reste à la porte

C'est la fonction qui a fait la une, et c'est celle qu'une PME française ne pourra pas utiliser. La réplication vocale exige un échantillon de 30 secondes et un enregistrement de consentement oral prononcé par la personne dont la voix est copiée, avec vérification de correspondance entre les deux. Garde-fou sérieux sur le papier. Sauf que Google n'ouvre pas la fonctionnalité dans l'EEE, au Royaume-Uni, en Suisse et en Inde, ni dans deux États américains (Illinois et Texas) — des juridictions à législation biométrique stricte.

Google ne s'explique pas sur les motifs. On devine le trio RGPD (la voix est une donnée biométrique dès qu'elle sert à identifier), droit de la personnalité et obligations de transparence de l'AI Act. Ce qui reste disponible en France : les 2 000 voix du catalogue, le Voice Design par description, la direction d'acteur, le dialogue à deux voix. En pratique, vous ne clonerez pas la voix de votre dirigeant pour industrialiser vos modules internes, mais vous pouvez fabriquer une voix de marque cohérente et la réutiliser — les voix personnalisées se stockent à hauteur de 200 par projet, avec une rétention d'un an (7 jours pour les clés éphémères).

Marquage des contenus : l'obligation ne disparaît pas

SynthID et C2PA aident, mais ne remplacent pas votre conformité. Un message vocal synthétique diffusé à des clients entre dans le périmètre de transparence que nous avons détaillé dans notre guide sur le marquage des contenus générés par IA imposé depuis le 2 août 2026. Et si le clonage vous est fermé chez Google, il ne l'est pas chez les fraudeurs : les arnaques à la voix du dirigeant continuent d'utiliser d'autres outils, un sujet que nous avons documenté dans notre dossier sur la fraude au président assistée par clonage vocal.

Gemini TTS pour un organisme de formation, un e-commerçant ou un standard téléphonique

Trois usages où le calcul tient debout aujourd'hui.

Formation et e-learning. C'est le cas d'usage le plus évident : scripts déjà écrits, ton neutre, besoin de mises à jour fréquentes. Refaire un module parce qu'un taux a changé coûtait une session de studio ; ça coûte désormais quelques centimes et dix minutes. Le Voice Design permet de figer une voix maison et de la réutiliser sur toute une bibliothèque, ce qu'aucune banque de voix génériques ne garantissait vraiment.

E-commerce et doublage. Flash-Lite est taillé pour la localisation à la chaîne : mêmes fiches produits en français, espagnol, allemand, avec accents régionaux corrects. Les tests d'accent placent justement le modèle en tête du benchmark Hume. Pour générer 300 fichiers depuis un Google Sheet sans écrire de code, un scénario d'automatisation qui appelle l'API et dépose les WAV sur Drive se monte en une après-midi :

Standard téléphonique et agents vocaux. Attention au périmètre. Gemini TTS fait du texte vers audio, point. Pas de reconnaissance vocale, pas de gestion d'interruption, pas de logique métier. Pour un accueil téléphonique complet, il faut une pile complète du type de celles que nous avons comparées dans notre tour d'horizon des plateformes d'agents vocaux et de leurs prix réels. Gemini TTS y sera une brique, pas la solution.

Gemini 3.8 Flash TTS vs ElevenLabs vs Voxtral : le bon choix selon le budget

Sur le seul prix, la hiérarchie est nette. ElevenLabs facture autour de 0,17 $ la minute sur ses plans Pro, Scale et Business — environ 10 $ l'heure — avec un plan Business à 990 $ par mois pour 6 millions de crédits et un mode basse latence descendant à 0,05 $ la minute, soit 3 $ l'heure. Gemini Flash TTS à 0,81 $ l'heure se situe donc entre quatre et douze fois moins cher selon la formule comparée, et conserve un avantage même après le doublement de janvier.

Côté souveraineté, la question change de nature : Google ne publie pas les poids, tout passe par son API. Si vos scripts contiennent des données clients ou des informations RH, l'arbitrage se fait avec une offre européenne — nous avions mesuré l'écart de qualité et de prix dans notre comparatif Voxtral TTS face à ElevenLabs. Et pour de la lecture neutre sans jeu d'acteur, le vieux Google Cloud TTS reste imbattable à 4 $ le million de caractères sur ses voix Standard et WaveNet, soit quelques millièmes de dollar la minute.

Le critère décisif n'est donc pas le tarif mais la nature du besoin : catalogue de voix et direction d'acteur pour Gemini, clonage professionnel et écosystème créatif pour ElevenLabs, hébergement européen pour Mistral.

Ce qui coince à l'usage

Quelques aspérités, dont une qui fait perdre du temps à tout le monde. Le modèle traite le texte reçu comme une transcription verbatim : si vous écrivez vos indications de jeu dans le script, elles seront lues à voix haute. Elles doivent passer par le champ speech_metadata. C'est documenté, ça n'empêche pas de se faire piéger au premier essai.

Ensuite, le multi-locuteurs est limité à deux voix par requête, et uniquement avec des voix du catalogue. Dès que vous utilisez une voix conçue par prompt, chaque intervenant doit être synthétisé séparément puis assemblé au montage — les raccords s'entendent si l'on ne soigne pas les silences. L'entrée est exclusivement textuelle, la sortie en WAV (ou PCM brut en streaming) : pas de conversion voix-à-voix.

Enfin, ce type d'outil ne dispense pas d'une chaîne de production correcte. Une intro humaine mal captée à côté d'une synthèse propre s'entend immédiatement ; un micro USB type Shure MV7+ ^{· Amazon} fait plus pour le rendu final que le choix du modèle. Et si vous restez sur le palier gratuit d'AI Studio pour vos tests, vérifiez ce que vous y déposez : nous avons listé les réglages à changer dans notre guide sur les options d'opt-out d'entraînement chez les grands éditeurs.

Verdict : pour qui ça vaut le détour

Pour un organisme de formation, un éditeur de contenus, un e-commerçant multilingue ou une équipe marketing qui produit des vidéos en série, c'est l'offre la plus rationnelle du moment : qualité de premier plan, catalogue énorme, facture dérisoire tant qu'on reste sous le régime promotionnel. La bascule mérite d'être engagée maintenant, en documentant les voix retenues pour ne pas dépendre d'une référence qui disparaîtrait d'une version à l'autre.

Pour qui avait prévu de cloner une voix — celle d'un dirigeant, d'un formateur maison, d'un comédien sous contrat — la réponse est non, pas depuis la France, et ce blocage ne ressemble pas à un oubli temporaire. Pour qui a besoin d'un agent vocal complet, Gemini TTS n'est qu'un composant. Et pour tout le monde : refaites votre calcul au tarif 2027 avant de signer quoi que ce soit. Un modèle dont le prix double à date fixe n'est pas un modèle bon marché, c'est un modèle en promotion.