Scaled Cognition lance Voice, modèle TTS économique pour le service client

Présentation du produit Voice

Scaled Cognition Inc. commercialise Voice, un modèle de synthèse vocale (text‑to‑speech) destiné aux centres de contact. Le service supporte plus de 25 langues, propose le clonage de voix et s’intègre aux agents IA, aux plateformes de centre d’appels et aux systèmes téléphoniques classiques. La particularité annoncée est la prononciation précise d’informations alphanumériques – numéros de compte, adresses, codes de confirmation – qui posent problème aux modèles génératifs actuels.

Voice est accessible via une API hébergée ou en déploiement auto‑hébergé. Le tarif hébergé est de 9 $ par million de caractères, tandis que le modèle auto‑hébergé coûte 1 $ par million de caractères, hors infrastructure. Cette différenciation tarifaire repose sur la capacité du modèle à fonctionner efficacement sur du matériel GPU standard.

Architecture et performances

Un seul GPU peut gérer environ 32 conversations simultanées. Une configuration redondante de deux GPU sur du cloud standard coûte près de 6 000 $ par mois et permet de traiter 500 millions de caractères. En incluant l’infrastructure, le coût effectif chute à 13 $ par million de caractères à ce volume, et à moins de 7 $ pour 1,5 milliard de caractères. Scaled Cognition compare ces chiffres à des prix de 35 à 100 $ par million de caractères pratiqués par d’autres fournisseurs, sans les nommer.

Le temps de latence de génération est déclaré à 70 ms entre la réception du texte et le début de la parole, avec un temps de réponse typique de 80 ms même lorsque 16 conversations partagent une tranche de GPU. La proximité géographique du serveur – même à un ou deux millisecondes de distance – influence fortement la latence, justifiant le positionnement de Voice à côté des agents et des systèmes téléphoniques dans le même cloud.

Voice intègre une fonction Smart Pronunciation qui analyse le sens de la phrase avant de synthétiser l’audio. L’exemple fourni – « Pay 1/2 by 1/2 » rendu « pay half by January second » – montre que le modèle ne lit pas simplement de gauche à droite, mais résout les ambiguïtés grâce à une intelligence adaptée aux expériences client. Cette capacité repose sur le même moteur que le modèle APT de Scaled Cognition, bien que Voice puisse fonctionner indépendamment de tout grand modèle de langage.

Analyse économique et implications

Le modèle de tarification auto‑hébergé rend le coût marginal très faible dès que le volume dépasse quelques dizaines de millions de caractères, ce qui contredit l’idée répandue selon laquelle l’auto‑hébergement reste cher pour les petites entreprises. En revanche, pour des charges faibles, le prix hébergé (9 $) reste compétitif face aux offres premium.

La compatibilité avec tout système capable d’envoyer du texte et de lire du son ouvre la voie à la modernisation des systèmes IVR (Interactive Voice Response) sans réécriture logicielle majeure. Les entreprises disposant déjà d’infrastructures GPU peuvent ainsi « drop‑in » Voice, réduisant les coûts d’opération et améliorant la fiabilité de la lecture d’informations critiques.

Scaled Cognition a levé 100 M$ en série A, dirigée par Khosla Ventures, ce qui indique un soutien financier important pour accélérer le déploiement de Voice. Le test d’écoute aveugle annoncé, bien que les résultats détaillés ne soient pas publiés, suggère une perception positive du produit par rapport aux alternatives, mais l’absence de taille d’échantillon empêche une évaluation statistique fiable.