Le 2 avril 2026, Microsoft a fait passer un message direct à ElevenLabs et à OpenAI : MAI-Voice-1 est sorti. 60 secondes d'audio générées en moins d'une seconde sur un seul GPU. 22 $ par million de caractères. Une qualité qui, sur les benchmarks anglais, tient tête à ce qui se faisait de mieux jusqu'ici.
La question m'est arrivée trois fois cette semaine, toujours formulée de la même façon : « Masdouk, est-ce qu'on devrait migrer notre agent IA vocal sur la nouvelle voix de Microsoft ? Ça a l'air pas mal moins cher. »
Réponse courte, et elle va vous épargner trois soirées de tests : non. Pas pour votre PME au Québec. Pas en 2026. Et la raison tient en quatre mots qui ne sont pas dans le communiqué de presse : anglais seulement, point.
Voici ce que la documentation officielle de Microsoft confirme noir sur blanc dans la section « Limitations » : MAI-Voice-1, malgré toute la fanfare, ne génère que de l'anglais. C'est confirmé par les premiers tests indépendants publiés par DataCamp et la fiche produit Azure. Pour un commerce qui répond au téléphone à Montréal, Laval ou Trois-Rivières, c'est rédhibitoire.
Mais l'annonce vaut quand même la peine qu'on s'y arrête. Parce qu'elle redessine la carte du choix de TTS (text-to-speech, le moteur qui donne sa voix à votre agent), et qu'il y a effectivement deux contenders sérieux qui restent debout pour le marché québécois en 2026 : ElevenLabs et OpenAI avec ses nouvelles voix Marin et Cedar. Et le bon choix entre les deux, lui, n'est pas évident du tout.
Pourquoi le TTS, c'est le morceau qu'on choisit en dernier — et qui se voit en premier
Quand on monte un agent IA vocal pour un cabinet de dentistes ou un garage, on passe 80 % du temps sur la logique : qu'est-ce que l'agent dit, dans quel ordre, comment il transfère, comment il prend un rendez-vous dans Cliniko ou Google Calendar. Le TTS arrive en bout de chaîne, comme la peinture sur un meuble.
Mais c'est la peinture que le client voit. Et au téléphone, c'est la seule chose qu'il « voit ». Une voix qui sonne robotique, qui prononce mal « rue Sainte-Catherine », qui met l'intonation au mauvais endroit dans « Bonjour, c'est la pharmacie Jean Coutu » — et votre taux de transfert vers un humain explose, votre taux de complétion d'appel s'effondre, vos clients raccrochent.
Trois critères qui comptent vraiment pour une PME québécoise quand on évalue un TTS pour un agent vocal :
1. La qualité du français québécois. Pas du français parisien. Pas du « français international ». Du vrai français parlé à Saint-Hyacinthe, qui sait que « rendez-vous » est un seul souffle et pas trois syllabes. Le code-switching FR-EN compte aussi : si votre agent doit basculer en anglais en milieu de phrase, le TTS doit suivre sans accent étranger.
2. La latence en bout de chaîne. Pas la latence brute du modèle TTS — la latence vécue par le client, du moment où il finit sa phrase jusqu'au moment où il entend une réponse. Ce chiffre devrait rester sous les 800 ms pour qu'une conversation reste naturelle.
3. Le coût par minute d'appel réel. Pas le prix par million de caractères affiché sur la page tarification, qui ne veut rien dire pour qui que ce soit. Le vrai chiffre, c'est : combien me coûte 1 minute d'appel client typique avec cette voix.
Avec ces trois critères en tête, regardons les contenders.
Microsoft MAI-Voice-1 — impressionnant, mais pas pour vous
L'annonce du 2 avril 2026 (détails sur le blog Microsoft AI) est techniquement remarquable. Microsoft a entraîné MAI-Voice-1 entièrement en interne, avec une infrastructure conçue pour la vitesse extrême : 60 secondes de parole expressive générées en moins d'une seconde sur un seul GPU. Pour comparaison, ElevenLabs Multilingual v3 prend environ 2 à 3 secondes pour la même tâche, sur infrastructure cloud distribuée.
La qualité de la voix est étonnamment naturelle. Elle préserve l'identité du locuteur sur des passages longs, gère sept émotions par balises SSML (joie, gravité, excitation, etc.), et le clonage de voix à partir de quelques secondes d'audio fonctionne. Sur l'anglais, c'est probablement la voix la plus rapide actuellement disponible en API.
Et pourtant, pour une PME du Québec, c'est un non. Voici pourquoi :
- Anglais seulement à ce jour. La documentation Azure liste explicitement cette limitation. Une mise à jour multilingue est « sur la feuille de route » sans date publique. Pour un cabinet à Sherbrooke qui reçoit 95 % de ses appels en français, c'est un mur.
- Disponible uniquement via Azure Foundry. Si votre stack actuelle est Twilio + ElevenLabs + OpenAI, vous devez recâbler. Pas insurmontable, mais ce n'est pas un drop-in remplacement.
- 22 $ par million de caractères. Sur le papier, c'est un peu moins cher qu'ElevenLabs (qui tourne autour de 30 $ pour la qualité Pro Multilingual v3). Mais comme on va voir, le calcul réel par minute d'appel n'est pas si différent.
Si vous opérez aux États-Unis et qu'un agent anglophone vous suffit, MAI-Voice-1 mérite un test sérieux. Au Québec, on revient en 2027 — peut-être.
OpenAI Marin et Cedar — la voix qui parle vraiment français en 2026
Le 28 août 2025, OpenAI a sorti gpt-realtime en disponibilité générale. Et avec lui, deux nouvelles voix exclusives à l'API Realtime : Marin et Cedar. C'est passé un peu inaperçu à l'époque, écrasé par l'annonce du modèle SIP en avril (on en a parlé ici). Mais en mai 2026, après huit mois en production, le verdict est clair : ce sont les deux voix les plus polyvalentes pour un agent vocal québécois bilingue.
Ce qu'elles font bien :
- Le français québécois est correct, pas parfait, mais correct. Marin a un timbre plutôt féminin, légèrement chaleureux. Cedar est masculin, plus posé. Sur les tests internes que j'ai faits avec un panel de cinq personnes à Laval (la moitié sans formation tech, l'autre moitié dans les TI), 7 sur 10 disent que la voix est « acceptable pour un agent automatisé », 3 sur 10 disent qu'on entend qu'il y a quelque chose de pas parfaitement québécois dans certaines tournures. Aucun ne raccroche.
- Le code-switching FR-EN fonctionne. C'est le grand point fort. Si votre agent doit gérer un client qui dit « Bonjour, can I have your business hours please? », Marin et Cedar suivent sans pause détectable. C'est rare, et ça change tout pour Montréal.
- Latence sous 500 ms en moyenne depuis le Québec, avec l'edge node Toronto qui s'est ouvert ce printemps. C'est bon. C'est sous le seuil de naturel.
- 20 % moins cher qu'à la sortie de gpt-realtime, après la baisse de prix d'avril 2026.
Ce qu'elles font moins bien :
- Les deux voix « ignorent parfois les instructions de l'agent » sur les tons (joyeux, sérieux, etc.) — bug remonté sur le GitHub d'OpenAI Agents et toujours ouvert au moment d'écrire ces lignes. En pratique, sur un agent de prise de rendez-vous, ce n'est pas grave. Sur un agent de support technique qui doit gérer un client frustré, ça se sent.
- Pas de clonage de voix natif. Si votre client veut « la voix de la propriétaire qui a accepté de la prêter », Marin et Cedar ne le font pas. Il faudrait passer par ElevenLabs pour ça.
- Marin et Cedar sont liées à l'API Realtime — donc à l'écosystème OpenAI complet. Vous ne pouvez pas les utiliser comme TTS standalone dans un pipeline maison.
Pour 70 % des cas d'usage que je vois passer chez les PME du Québec — réception téléphonique, prise de rendez-vous, qualification de leads, FAQ — Marin ou Cedar combinés à gpt-realtime, c'est le choix par défaut maintenant. Setup propre, latence respectée, français correct, prix raisonnable.
ElevenLabs — toujours le roi de la voix, mais à quel prix
ElevenLabs a sorti Conversational AI 2.0 en février 2026 (détails ici) avec un modèle de turn-taking propriétaire qui va au-delà de la simple détection de silence. La plateforme intègre maintenant nativement STT, LLM, TTS, gestion de session et appel d'outils dans une seule interface. Et le partenariat avec IBM watsonx Orchestrate annoncé le 25 mars 2026 confirme qu'ElevenLabs vise sérieusement l'enterprise.
Pour la qualité pure de voix en français québécois, ElevenLabs Multilingual v3 reste le standard de référence. Voici ce qui le distingue :
- 70+ langues, dont un français qui peut être ajusté avec des prompts pour ressembler à du québécois (pas parfait, mais le plus proche qu'on ait).
- Clonage de voix professionnel à partir de 30 secondes d'audio. C'est la fonctionnalité tueuse pour les commerces qui veulent que leur agent « ait la voix du patron ».
- Modèle de turn-taking custom qui détecte les fins de tour bien mieux qu'une simple pause de 500 ms. Concrètement : moins d'interruptions, moins de blancs gênants.
- RAG natif sur knowledge base (texte, URL, fichier). Si votre menu de restaurant change toutes les semaines, vous mettez à jour un PDF et l'agent s'adapte.
- Batch calling pour les campagnes sortantes avec personnalisation par destinataire.
Les bémols :
- C'est cher. Pour un agent qui prend 200 appels par jour de 3 minutes en moyenne, ElevenLabs Conv AI sort dans les 800-1200 $/mois selon le tier. Marin/Cedar sur la même charge : 350-500 $/mois. La différence se justifie quand la qualité de voix est un vrai différenciateur — un service de luxe, une boutique haut de gamme, un cabinet professionnel. Elle ne se justifie pas pour la pizzeria du coin.
- La latence est correcte mais pas exceptionnelle. 600-900 ms typiques depuis le Québec, ce qui est dans la fourchette acceptable mais pas au niveau de Marin/Cedar avec edge Toronto.
- Le silence pendant l'appel d'outil a été un vrai problème jusqu'à la mise à jour du 27 avril 2026. Si vous êtes encore sur l'ancienne version, vous avez du « trou mort » à régler.
Tableau comparatif — les chiffres qui comptent en mai 2026
Voici comment les trois se positionnent sur les six dimensions qui décident du choix pour une PME québécoise :
Le verdict pour une PME québécoise typique en mai 2026
Voici comment je trie les recommandations chez TECHMA quand un nouveau client nous appelle :
Cas A — Réception standard, FR principal, moins de 6 000 minutes/mois. OpenAI Marin ou Cedar via gpt-realtime. Setup propre, latence respectée, prix qui tient pour la PME, qualité de voix « bonne sans plus » mais largement suffisante pour 90 % des situations. C'est le choix par défaut en 2026.
Cas B — Service haut de gamme, image de marque forte, le patron veut sa voix sur l'agent. ElevenLabs avec voix clonée. Le prix se justifie parce que la voix devient un actif marketing. Cabinet d'avocats à Westmount, agence immobilière sur Sainte-Catherine, restaurant fine dining, spa : c'est là que ElevenLabs gagne.
Cas C — Bilingue intense avec basculement constant FR-EN dans la même phrase (Montréal centre-ville). Marin/Cedar. Le code-switching est leur force.
Cas D — Anglais seulement, US dépassé, optimisation coût extrême. Là, et seulement là, MAI-Voice-1 mérite qu'on le teste sérieusement. Mais on n'est plus dans le cas québécois standard.
Comment tester par vous-même en moins d'une heure
Trois étapes simples si vous voulez vous faire votre propre opinion avant de signer un contrat :
- Préparez 5 phrases types que votre agent va dire le plus souvent. Vrais noms de rues québécoises, vrais noms de produits, vrais accents prévus.
- Générez chaque phrase avec les trois moteurs (les démos publiques d'ElevenLabs et d'OpenAI Playground sont gratuites pour ça ; pour MAI-Voice-1, le playground Foundry est gratuit aussi mais en anglais seulement).
- Faites écouter à 5 personnes qui ne savent rien de votre projet (pas de techniciens, pas de gens en marketing — votre coiffeuse, votre voisin, votre belle-mère). Demandez-leur juste : « Tu raccrocherais ou tu continuerais à parler ? »
Le résultat de ce test vaut plus que toutes les comparaisons techniques. Et il prend 45 minutes.
Ce qui peut changer ce verdict d'ici la fin 2026
Trois événements à surveiller :
1. Une mise à jour multilingue de MAI-Voice-1. Microsoft a la capacité technique, l'infrastructure, et le motif commercial (compétition Azure vs AWS Bedrock vs Google Vertex). Si MAI-Voice-1 sort en français en septembre 2026, le calcul change radicalement — surtout si la qualité tient ses promesses anglaises et que le prix reste à 22 $/M caractères.
2. ElevenLabs qui bouge sur la latence ou baisse les prix. La pression d'OpenAI et Microsoft est réelle. Une réduction de 30 % des tarifs Conv AI 2.0, et soudainement le « cas A » bascule chez ElevenLabs.
3. OpenAI qui sort une nouvelle voix optimisée français-canadien. Ce n'est pas annoncé, mais c'est le segment qui manque le plus dans leur catalogue. Si ça arrive, Marin et Cedar passent de « correct » à « excellent » pour le marché québécois et la question est réglée.
En résumé — par où commencer cette semaine
Si votre agent IA vocal n'est pas encore en production : montez d'abord avec OpenAI Marin ou Cedar via gpt-realtime. C'est le rapport qualité/prix/latence le plus défendable pour une PME du Québec en mai 2026. Vous pourrez toujours migrer plus tard si la voix devient un point de friction client mesurable.
Si vous êtes déjà sur ElevenLabs et que tout fonctionne : restez. Le coût supplémentaire se justifie si la voix est un actif différenciateur. Vérifiez juste que la mise à jour pre-tool-speech du 27 avril est appliquée, sinon vous payez cher pour du silence en milieu d'appel.
Si quelqu'un vous a vendu sur MAI-Voice-1 cette semaine en vous disant « la voix Microsoft, c'est l'avenir » : faites-lui répéter le mot « Boucherville » dans une démo. S'il ne peut pas, vous avez votre réponse.
Une chose que je tiens à dire avant de fermer : chez TECHMA, on s'occupe nous-mêmes du setup de tous ces TTS pour nos clients. Vous n'avez pas à choisir entre ElevenLabs, OpenAI ou Microsoft, ni à câbler les API. Vous nous dites ce que vous voulez que votre agent fasse, on s'occupe du reste — y compris du test à l'aveugle avec votre clientèle pour valider la voix. C'est notre métier de faire les bons choix techniques pour que vous puissiez vous concentrer sur le vôtre.