Un vendredi 18 h 45, rue Saint-Denis. Votre hôtesse jongle entre trois iPads, deux carafes vides et un couple sur place qui hésite entre le tartare et la pieuvre. Le téléphone sonne. Personne décroche. Au bout du fil, un client qui voulait réserver pour quatre personnes en mandarin pour le lendemain soir. Il raccroche après quatre sonneries. Il va sur OpenTable. Il réserve chez votre voisin.
Cette scène n'est plus une exception à Montréal. Selon le rapport 2024 de l'OQLF sur la situation linguistique au Québec, 50 % des clients de la région métropolitaine de Montréal disent avoir été servis au moins une fois dans une langue autre que le français en 2018 — un bond énorme par rapport au 25 % de 2010. Sur l'île de Montréal, les allophones représentent maintenant 32,5 % de la population. Pour vous, restaurateur, ça veut dire qu'un appel sur trois — parfois un sur deux dans certains quartiers — ne se passe pas dans la langue de votre hôte. Et la majorité de ces appels arrivent aux pires moments : juste avant le service.
Le calcul rapide qui devrait vous faire mal au ventre
Petit exercice. Couvert moyen à Montréal dans un resto de quartier : autour de 50 $. Tablée de quatre : 200 $. Si vous perdez ne serait-ce qu'une réservation allophone par soir parce que personne ne décroche ou parce que l'hôte ne comprend pas la demande, ça fait 1 400 $ par semaine. À l'échelle d'un an, on parle de plus de 70 000 $ qui s'évapore dans le néant. Et c'est l'estimation prudente — pour beaucoup de restos de Mile-End, de Chinatown ou de Côte-des-Neiges, le chiffre réel est nettement plus élevé.
Bonne nouvelle : entre le 4 et le 12 mai 2026, deux changements majeurs ont débarqué dans l'écosystème des agents vocaux. ElevenLabs a ajouté gemini-3.1-pro-preview à sa liste de cerveaux disponibles dans son changelog du 4 mai 2026, et OpenAI a sorti une famille de trois nouveaux modèles vocaux temps réel le 7 mai : gpt-realtime-2 (raisonnement classe GPT-5, contexte de 128 000 jetons), gpt-realtime-translate (traduction live entre 70+ langues source et 13 langues cible), et gpt-realtime-whisper (transcription en streaming).
Conséquence directe pour un resto montréalais : vous avez maintenant le choix entre trois piles techniques différentes pour bâtir un Agent IA Vocal qui prend des réservations dans la langue de votre client allophone. Et ces trois piles n'ont pas du tout le même profil de coût, de latence et de qualité vocale en français québécois. Voici ce qu'il faut savoir avant de signer quoi que ce soit.
Avant le comparatif : la confusion qu'il faut tuer tout de suite
Beaucoup d'articles publiés cette semaine confondent deux choses très différentes. gpt-realtime-translate ne sert PAS à bâtir un agent. OpenAI le dit explicitement dans sa documentation : ce modèle est conçu pour faire de la traduction live entre deux humains, pas pour qu'un bot prenne des décisions, appelle des outils ou enregistre une réservation. Si quelqu'un vous vend une démo où « gpt-realtime-translate prend la réservation », fuyez. Vous aurez un traducteur qui répète les mots du client en français, pas un agent qui vérifie le calendrier OpenTable et confirme une table pour quatre à 19 h 30.
L'agent qui prend la décision doit être gpt-realtime-2 — ou un agent ElevenLabs avec un cerveau LLM (Claude, GPT, ou maintenant Gemini 3.1). gpt-realtime-translate, lui, peut servir en arrière-plan dans certaines architectures hybrides pour traduire le menu vers la langue de l'appelant pendant que l'agent maintient la conversation. C'est utile, mais c'est secondaire.
Maintenant qu'on a clarifié ça, voici les trois piles vraiment exploitables pour votre resto.
Pile A — ElevenLabs Agent avec TTS multilingue (le standard 2026)
C'est la pile que la majorité des restos montréalais que TECHMA a déployés cette année utilisent. L'Agent IA Vocal tourne sur la plateforme ElevenLabs Agents (la même qui a reçu la mise à jour text-behavior-overrides du 25 mai, qu'on a analysée la semaine dernière). Le cerveau peut être Claude Sonnet 4.5, GPT-4.1 ou — depuis le 4 mai 2026 — Gemini 3.1 Pro Preview. La voix sortante utilise les modèles multilingues v3 d'ElevenLabs, qui parlent 29 langues avec la même empreinte vocale.
Comment ça marche en vrai. Un client appelle en mandarin. L'agent détecte la langue dans la première seconde, bascule le TTS sur la voix mandarine de la même persona (comme on l'a expliqué pour les Med Spas montréalais en mai), et tient la conversation. Le LLM cerveau (souvent Claude pour ce cas) lit le contexte du resto, vérifie la dispo via une API Resy ou Libro Reserve, propose un créneau, encaisse la confirmation par SMS, et envoie un résumé dans Zoho pour le marketing post-visite.
Latence typique : 800 à 1 100 ms du dernier mot du client au début de la réponse vocale. C'est suffisant pour ne pas casser la fluidité.
Coût : entre 0,12 $ et 0,18 $ CAD la minute selon le LLM choisi. Une conversation moyenne pour une réservation tourne autour de 90 secondes, soit ~0,20 $ par appel pris. Pour 600 appels par mois, on parle de 120 $ tout compris.
Le défaut. La qualité du français québécois reste correcte mais pas parfaite — l'accent par défaut tire vers le français de France. Pour un bistro qui sert majoritairement une clientèle francophone exigeante (Outremont, Plateau), c'est un point à travailler avec un voice clone québécois sur mesure. Ça, c'est dans le périmètre de configuration que l'équipe TECHMA fait pour chaque client lors du déploiement.
Pile B — OpenAI gpt-realtime-2 en direct (le poids lourd nouvelle génération)
Sortie le 7 mai 2026, cette pile court-circuite l'orchestration ElevenLabs. Vous parlez directement à l'API Realtime d'OpenAI, qui fait tout : transcription, raisonnement, génération vocale. gpt-realtime-2 a un raisonnement de classe GPT-5, un contexte de 128 000 jetons (contre 32 000 pour la version précédente de décembre 2024), et un score de 30,5 % sur MultiChallenge audio — contre 20,6 % pour le modèle qu'il remplace. En clair : il comprend mieux les demandes complexes, il gère mieux les interruptions du client, et il sait appeler plusieurs outils en parallèle.
Comment ça marche. Un client appelle, parle en espagnol. gpt-realtime-2 détecte la langue, répond en espagnol avec une voix native (le modèle a 8 voix incluses), interroge l'outil de réservation, confirme la table, et raccroche. Pas d'intermédiaire. Pas de routage entre fournisseurs.
Latence : 400 à 700 ms — environ 30 % plus rapide que la Pile A parce qu'il n'y a pas de saut entre transcripteur, LLM et synthétiseur vocal.
Coût : 32 $ US par million de jetons audio en entrée, 64 $ US par million en sortie. Pour une conversation typique de 90 secondes, on parle de ~0,28 $ CAD par appel pris. Plus cher que la Pile A, mais le bond de qualité est tangible sur les requêtes complexes (« je veux réserver pour 8 mais ma belle-mère est en fauteuil roulant et mon neveu est intolérant aux fruits de mer »).
Le défaut. Moins de contrôle sur la personnalité de la voix. Les 8 voix d'OpenAI sont bien faites mais pas customisables au même degré que les voix ElevenLabs clonées. Pour un resto qui mise sur une identité sonore forte (votre maître d'hôtel emblématique), Pile A reste meilleure.
Pile C — L'hybride : ElevenLabs Agent + GPT-Realtime-Translate pour le menu
C'est la pile la plus rare, mais c'est celle qui répond le mieux au cas du resto gastronomique avec touristes asiatiques ou européens. Le cœur de l'agent reste ElevenLabs (Pile A), mais quand le client demande des détails sur un plat — ingrédients, allergènes, méthode de cuisson — un appel parallèle vers gpt-realtime-translate traduit en direct la description du menu (rédigée en français par le chef) vers la langue du client.
L'avantage : le menu est toujours à jour parce que c'est le chef qui l'écrit en français dans un Google Doc, et gpt-realtime-translate le rend en mandarin, en italien, en arabe ou en hindi sans qu'on doive maintenir 6 versions traduites. Quand le chef change la sauce du jour, ça se reflète immédiatement dans tous les appels, peu importe la langue.
Le défaut : c'est une architecture complexe à orchestrer. Webhooks, gestion d'état entre deux fournisseurs, monitoring de deux factures. Ce n'est pas un déploiement à faire seul. C'est exactement le genre d'intégration que l'équipe TECHMA bâtit sur mesure quand un client gastronomique en a besoin — pas une solution clé en main que vous activez en cliquant deux boutons.
Matrice de décision en 4 critères
Voici le tableau que nos chargés de compte utilisent avec les restaurateurs montréalais qui hésitent.
Quel choix pour quel type de resto montréalais ?
Bistro de quartier (Plateau, Rosemont, Villeray) : Pile A. Vous avez une clientèle francophone majoritaire mais 20-30 % allophones, surtout le soir. Le voice clone québécois fait toute la différence sur l'expérience client francophone, et le multilingue v3 couvre les anglophones et latino-américains du coin sans surcoût.
Resto fine cuisine avec touristes (Vieux-Montréal, Centre-ville) : Pile C. Quand 40 % de votre clientèle vient de l'extérieur du Québec et que votre menu change trois fois par semaine, payer 0,07 $ de plus par appel pour avoir un menu auto-traduit en 13 langues, c'est gagner du temps et éviter les erreurs d'allergènes qui peuvent vous coûter la vie d'un client.
Chaîne fast-casual (Olive Group, MTY, franchises Subway) : Pile B. Le volume justifie la dépense supplémentaire en raison de la latence inférieure (les clients raccrochent moins) et de la robustesse du raisonnement quand il faut router vers la bonne succursale parmi 14.
Foodtruck et sandwicherie : aucune des trois. Votre volume d'appels ne justifie pas un agent vocal. Mettez votre énergie sur Instagram et Tabby Foodora.
Loi 25 : le détail que personne ne couvre
Toutes les piles ci-dessus enregistrent la conversation (transcript et parfois audio) pour la qualité et la conformité. Au Québec, ça tombe directement sous la Loi 25 sur la protection des renseignements personnels. Concrètement : votre agent doit annoncer l'enregistrement dans les premières secondes (en français, et dans la langue détectée du client si elle est différente), vous devez avoir un délégué à la protection des données nommé, et les transcripts ne peuvent pas être transférés hors-Canada sans évaluation de risque.
Aucun des trois fournisseurs (ElevenLabs, OpenAI directement) ne gère ça pour vous. C'est l'équipe TECHMA qui configure le bandeau d'avertissement bilingue, qui pose les contrôles d'accès dans Zoho ou votre CRM, et qui rédige l'évaluation des facteurs relatifs à la vie privée requise par la CAI. Sans ça, votre déploiement n'est pas conforme — et l'amende peut atteindre 10 millions $ ou 2 % du chiffre d'affaires mondial.
Ce qu'il faut retenir
Trois changements de mai 2026 ont reconfiguré le paysage : Gemini 3.1 disponible dans ElevenLabs, gpt-realtime-2 deux fois plus performant que son prédécesseur de décembre 2024, et gpt-realtime-translate qui démocratise la traduction live (mais pas pour les agents — pour les humains). Pour un restaurateur montréalais qui voit 30 % de ses appels arriver dans une langue autre que le français, l'attentisme coûte cher : chaque vendredi sans agent, c'est environ 800 $ qui partent chez le compétiteur d'à côté.
Pile A pour la majorité des restos de quartier. Pile B pour les chaînes à fort volume. Pile C pour la gastronomie touristique. Aucune ne se déploie en deux clics — c'est précisément pour ça que l'équipe TECHMA fait l'intégration de A à Z, du choix de la voix québécoise à la conformité Loi 25 en passant par les webhooks vers OpenTable, Libro ou votre POS Toast/Lightspeed.
Vous voulez tester laquelle des trois piles correspond à votre profil de resto ? Réservez une démo avec l'équipe — on prend 20 minutes pour analyser votre volume d'appels actuel, votre mix linguistique réel et le coût d'un appel manqué dans votre établissement. C'est gratuit, et vous repartez avec un chiffre concret, pas une promesse marketing.