Créez une clé dans votre compte, indiquez un modèle de voix, envoyez votre texte et recevez un fichier audio. Le catalogue compte 24 modèles de synthèse vocale de plusieurs fournisseurs : un narrateur d’application, un menu téléphonique et un agent vocal peuvent chacun avoir la voix qui leur convient. Testez n’importe quel script dès aujourd’hui dans le toolkit.
La synthèse vocale n’a pas une seule meilleure voix. Un modèle lit une histoire du soir avec chaleur, un autre garde un menu téléphonique net, un autre est conçu pour répondre au milieu d’une conversation. Une API de synthèse vocale de Picasso IA les place derrière une seule clé : vous indiquez un modèle, vous envoyez le texte et vous recevez un fichier audio, sans ouvrir un compte chez chaque fournisseur de voix.
Chaque fournisseur de voix a sa propre inscription, sa propre facturation et sa propre façon de décrire une voix. C’est supportable quand il vous faut un seul narrateur. Ça devient lassant quand votre application a besoin d’un lecteur posé pour les leçons, d’un lecteur clair pour les menus téléphoniques et d’un lecteur vif pour un agent vocal, parce que chaque choix veut dire un autre compte, une autre clé et d’autres réglages à apprendre.
L’API de Picasso IA prend le chemin inverse. Vous créez une clé dans votre compte, vous envoyez une requête qui nomme un modèle et ses entrées, et le résultat revient sous forme de fichier à télécharger. La catégorie synthèse vocale du catalogue réunit 24 modèles de propriétaires comme elevenlabs, google, inworld, xai et minimax, sur 502 modèles au total. Le schéma de la requête reste le même : un modèle et ses entrées. Changer de voix revient à changer un nom de modèle, pas à refaire une intégration.
Le coût fonctionne comme dans le toolkit. Une génération dépense des crédits, et leur nombre dépend du modèle et des réglages choisis, donc la page des tarifs est l’endroit où lire les offres. Le toolkit exécute le même catalogue, ce qui veut dire que vous pouvez écouter chaque voix dès aujourd’hui, avant de construire quoi que ce soit autour.
Une requête a quatre parties. La clé prouve que la demande vient de votre compte. Le nom du modèle dit quelle voix doit parler. Les entrées portent votre texte et les réglages que ce modèle comprend. La réponse est l’audio généré, livré sous forme de fichier à télécharger.
C’est dans les entrées que les modèles se distinguent, et c’est utile plutôt qu’agaçant. google/gemini-3.1-flash-tts propose 30 voix et accepte une consigne de style en langage courant, comme parle lentement et avec assurance, ainsi que des balises comme whispering ou laughing dans le texte. inworld/tts-1.5-max et inworld/realtime-tts-1.5-max lisent des balises d’émotion comme happy ou sad et acceptent une voix qui vous appartient par son identifiant. elevenlabs/v3 vous laisse régler la stabilité, la vitesse et le degré de théâtralité de la diction. xai/grok-text-to-speech a cinq voix et peut exporter des formats pensés pour les systèmes téléphoniques.
Vous n’avez rien à mémoriser. La page de chaque modèle dans la collection indique ce qu’il accepte, et le toolkit présente les mêmes champs sous forme de formulaire : on apprend un modèle en cliquant, avant même d’écrire la requête.
Les quatre usages les plus demandés sont la narration d’applications, les menus téléphoniques, les livres audio et les agents vocaux. Le tableau ci-dessous est un point de départ pour savoir quoi essayer d’abord et quoi écouter. Ce n’est pas un classement : passez le même script dans deux modèles et fiez-vous à vos oreilles plutôt qu’à cette page.
| Tâche | Modèle à essayer d’abord | Ce qu’il faut écouter |
|---|---|---|
| Narration d’application | elevenlabs/v3 | Une voix stable du premier écran au dernier |
| Menus téléphoniques | xai/grok-text-to-speech | Des chiffres clairs et un format de fichier que votre système téléphonique accepte |
| Livres audio | elevenlabs/v3 | Le même narrateur et le même rythme, chapitre après chapitre |
| Agents vocaux | inworld/realtime-tts-1.5-max | Des réponses courtes qui sonnent parlées, pas lues |
| Plusieurs langues | google/gemini-3.1-flash-tts | L’accent et la prononciation dans chaque langue que vous publiez |
| Une voix qui vous appartient | inworld/tts-1.5-max | Le même ton dans tout ce que vous générez |
Un modèle qui convient à une leçon peut sonner faux dans un menu téléphonique, et l’inverse est tout aussi courant. Garder deux ou trois candidats par tâche et choisir entre eux projet par projet, c’est exactement ce qu’une seule clé chez plusieurs fournisseurs rend peu coûteux. Pour le côté production de la narration, la voix off IA pour vos vidéos et la narration de livres audio approfondissent le rythme et les chapitres.
Presque tous les audios décevants viennent du script, pas du modèle. Les voix lisent exactement ce que vous leur donnez : écrivez pour l’oreille. Les phrases courtes respirent mieux que les longues. Écrivez comme vous voulez l’entendre tout ce qui doit être dit d’une façon précise : le nom d’un produit à la prononciation étrange, un numéro de téléphone groupé comme on le dit, un sigle que vous voulez lu en entier.
Envoyez une langue par requête et faites correspondre le réglage de langue au texte. Les phrases en langues mélangées sont celles où les voix devinent, et une devinette sonne comme une erreur d’accent. Limitez-vous aux balises que le modèle choisi documente, car une balise qui marche sur un modèle peut être lue à voix haute comme un mot sur un autre.
Lisez votre script à voix haute une fois avant de l’envoyer. Là où vous butez, la voix butera aussi, et corriger une phrase ne coûte rien alors que régénérer coûte des crédits.
Commencez par un paragraphe, pas par le chapitre entier. Chaque génération dépense des crédits : un court test vous dit si la voix, la langue et les balises sont les bonnes avant d’engager un long script. Les modèles plafonnent aussi la quantité de texte acceptée par exécution, et ce plafond varie selon le modèle, donc un long texte se découpe par sections ou par chapitres, puis se recolle ensuite.
Voici le chemin du rien au fichier entre vos mains. Avant la première étape, essayez un paragraphe de votre vrai script dans le toolkit : il utilise les mêmes modèles, donc la voix que vous y choisissez est celle que vos requêtes utiliseront.
Si une étape ne se comporte pas comme cette page le décrit, le support répond aux questions à ce sujet.
Ceci décrit une clé, une requête et un fichier. Cela ne promet rien de plus, et il y a cinq endroits où celui qui construit doit ralentir :
Les menus téléphoniques et les agents vocaux méritent une dernière précaution. Une voix de synthèse qui lit un menu, c’est correct ; une voix de synthèse qui gère de l’argent, la santé ou des décisions juridiques demande un processus humain autour d’elle et votre propre relecture de chaque script qu’elle peut prononcer.
Une API de synthèse vocale permet à un logiciel de transformer du texte écrit en audio parlé sans que personne l’enregistre. Avec Picasso IA, vous créez une clé dans votre compte, vous envoyez une requête qui nomme un modèle de voix et ses entrées, et le résultat revient sous forme de fichier audio à télécharger. Ce qui la distingue, c’est l’étendue : les modèles de voix du catalogue sont derrière la même clé, donc vous choisissez la voix par tâche et non par compte.
La catégorie synthèse vocale du catalogue réunit 24 modèles, dont elevenlabs/v3, google/gemini-3.1-flash-tts, inworld/tts-1.5-max, inworld/realtime-tts-1.5-max et xai/grok-text-to-speech. Il ne vous faut pas un compte séparé chez chaque propriétaire : la même clé et les mêmes crédits les couvrent. Le catalogue complet liste tous les modèles, et la page de chacun montre les voix et réglages qu’il accepte.
Traitez-la comme un mot de passe. Elle identifie votre compte et dépense vos crédits : quiconque la détient peut générer de l’audio à vos frais. Gardez-la hors des dépôts publics, du code front-end que les visiteurs peuvent inspecter, des captures d’écran et des discussions partagées. Si vous soupçonnez une fuite, supprimez-la de votre compte, créez-en une nouvelle et mettez à jour l’endroit où votre application la stocke.
Elle coûte des crédits, et le montant dépend du modèle et des réglages choisis, comme dans le toolkit. Cette page ne cite aucun chiffre, car n’importe lequel serait vite périmé ; la page des tarifs est l’endroit où se trouvent les offres, et les nouveaux comptes reçoivent des crédits gratuits. Une bonne habitude consiste à tester d’abord avec un court paragraphe, pour connaître le coût d’une voix avant d’envoyer un script entier.
Vous pouvez en générer les messages. xai/grok-text-to-speech liste des formats conçus pour la téléphonie à côté des formats habituels, et un menu téléphonique se compose surtout de phrases courtes et claires, qui conviennent bien aux voix de synthèse. Ce que vous importez dans votre système téléphonique et les formats audio qu’il accepte dépendent de ce système : consultez ses exigences actuelles. Voyez aussi les messages d’accueil téléphoniques avec l’IA pour la partie rédaction.
La moitié audio, oui. inworld/realtime-tts-1.5-max est le modèle du catalogue décrit pour un usage conversationnel, et il lit des réponses courtes avec des balises d’émotion. Mais une requête prend toujours du temps à être produite et dépense des crédits, et cette page ne promet rien sur la vitesse : testez votre propre flux dans le toolkit avant de concevoir une expérience qui dépend d’un audio instantané.
Découpez-les. Chaque modèle accepte une quantité limitée de texte par exécution, et la limite varie d’un modèle à l’autre, donc un chapitre passe en plusieurs sections. Utilisez le même modèle, la même voix et les mêmes réglages pour chaque section afin que le narrateur ne change pas en cours de route, puis assemblez les fichiers dans votre éditeur audio. elevenlabs/v3 a des réglages de stabilité qui aident à garder une voix cohérente sur un long projet.
Cela dépend du modèle. google/gemini-3.1-flash-tts liste plus de 70 codes de langue, xai/grok-text-to-speech en couvre une vingtaine et les modèles inworld en couvrent 15. Choisissez le modèle dont la liste inclut la vôtre, réglez la langue pour qu’elle corresponde à votre texte et écoutez l’accent et la prononciation avant de publier. Une voix excellente dans une langue peut être tout juste acceptable dans une autre.
Seulement une voix qui vous appartient ou celle d’un personnage fictif. Certains modèles acceptent une voix personnalisée par son identifiant, utile pour garder cohérente votre propre voix de marque. N’utilisez jamais la voix d’une personne réelle identifiable sans son accord, et ne produisez pas d’audio qui pourrait passer pour quelqu’un qui ne l’a pas dit. Pour la question du consentement dans le clonage, lisez le clonage de voix par IA.
Oui, et c’est la meilleure première étape. Le toolkit exécute le même catalogue : choisissez un modèle de voix, collez un paragraphe de votre vrai script, générez et comparez. Faites-le avec deux ou trois modèles et vous saurez quelle voix nommer dans votre première requête. La comparaison avec ElevenLabs est une lecture utile si un fournisseur précis est votre point de départ.
Avant de brancher quoi que ce soit, écoutez les voix vous-même : ouvrez le toolkit, collez un paragraphe de votre vrai script et comparez deux modèles. Les questions sur l’API vont au support.
Choisissez votre langue
