ElevenLabs vs Vapi vs Retell — Comparatif des plateformes voix IA en 2026

TL;DR

Après avoir livré des agents vocaux en production avec ces trois plateformes, voici ce que nous dirions à un CTO qui choisit aujourd'hui :

• ElevenLabs Conversational AI — meilleure qualité vocale, 29+ langues, TTS de niveau Studio. Idéal quand la voix prime sur l'outillage.
• Vapi — l'orchestration la plus developer-friendly, le meilleur support pour le tool calling, une stack bien définie. Idéal pour itérer vite sur des agents complexes.
• Retell — l'intégration téléphonie la plus solide, la latence la plus faible sur les appels longs, des SLAs enterprise. Idéal pour remplacer un centre d'appels.

Si vous voulez une réponse par défaut en 2026 : ElevenLabs pour la voix, avec votre propre couche d'orchestration par-dessus — une boucle de function calling en Node.js, pas un framework.

Ce que nous mesurons

Nous avons livré des agents en production sur les trois plateformes. Nos critères :

1. Latence end-to-end (micro → transcription → LLM → TTS → haut-parleur) mesurée sur une connexion 4G stable
2. Qualité vocale (subjective, mais stable au sein de notre équipe) et couverture linguistique
3. Fiabilité du tool calling (l'agent a-t-il bien déclenché la fonction ? les arguments ont-ils été correctement parsés ?)
4. Intégration téléphonie (SIP, Twilio, PSTN natif)
5. Observabilité (logs, transcripts, replays)
6. Tarifs à volume significatif (10 000 minutes/mois)

Qualité vocale et langues

ElevenLabs gagne sur le réalisme vocal — c'est leur IP cœur de métier. Le produit Conversational AI pose un pipeline de prise de parole à faible latence par-dessus leur TTS de niveau Studio. En français, espagnol et arabe, les voix ElevenLabs sont sensiblement plus naturelles que celles que Vapi ou Retell proposent par défaut.

Vapi expose ElevenLabs comme l'un de plusieurs providers. On peut donc choisir des voix ElevenLabs dans Vapi — mais on paie les deux éditeurs. Retell propose ses propres voix ainsi que des intégrations avec Deepgram (TTS) et quelques autres. Compétentes, mais pas au niveau d'ElevenLabs pour les langues européennes.

Verdict sur la voix : si le réalisme multilingue compte, ElevenLabs par défaut. Si vous êtes uniquement en anglais et que la subtilité expressive n'est pas un critère, les trois sont acceptables.

Latence

Mesurée sur le même agent (un assistant support client à 4 outils) avec le même modèle (GPT-4o), dans les mêmes conditions réseau :

Vapi et Retell prennent l'avantage parce qu'ils maîtrisent l'orchestration. ElevenLabs ajoute un léger overhead, l'appel LLM passant par leur pipeline. En pratique, les trois restent sous le seuil conversationnel (≈ 1,2 s) au-delà duquel les utilisateurs commencent à couper la parole.

Tool calling

Vapi propose le tool calling le plus abouti. On déclare des fonctions, elles sont exposées au LLM, les résultats sont réinjectés dans le contexte, et l'agent vocalise la réponse. Retell fonctionne de manière similaire, avec moins de cas d'échappatoire. ElevenLabs supporte le tool calling via ses agents Conversational AI — ça marche, c'est légèrement moins ergonomique.

Si votre agent dépasse 5 outils ou nécessite des appels de fonctions imbriqués, nous recommandons d'héberger l'orchestration vous-même (une boucle de function calling en Node.js — le claude-agent-sdk d'Anthropic ou le tool calling vanilla OpenAI/Mistral, sans framework) et d'utiliser ElevenLabs uniquement pour la couche voix. Nous avons livré ce pattern deux fois en production.

Téléphonie

Retell gagne. SIP natif, Twilio, et connexion PSTN directe. Leur documentation part du principe que vous remplacez un centre d'appels. Vapi dispose de l'intégration Twilio et rattrape son retard. ElevenLabs exige que vous apportiez votre propre couche téléphonie (Twilio, Telnyx).

Tarifs à l'échelle

Pour 10 000 minutes/mois avec GPT-4o comme LLM :

• Vapi : ~1 200–1 800 $/mois selon le markup du provider voix
• ElevenLabs : ~1 500–2 200 $/mois, le coût voix domine
• Retell : ~1 000–1 500 $/mois, souvent le moins cher à l'échelle

Ces chiffres évoluent constamment. L'essentiel : l'économie unitaire des agents vocaux devient moins chère chaque trimestre. Ne choisissez pas sur le seul critère tarifaire.

Ce que nous déployons chez Ikki en 2026

Notre stack voix par défaut est tranchée. Chaque brique est là pour faire une chose bien.

• ElevenLabs Conversational AI pour la voix — STT + LLM-in-loop + TTS + gestion des tours de parole, avec des outils webhook déclarés dynamiquement (nous utilisons un gestionnaire d'outils qui crée/met à jour les outils sur la plateforme ElevenLabs à l'exécution, pas via une configuration statique — généralement une palette de 3 à 5 outils par agent, déclarés selon le cas d'usage).
• Twilio pour la téléphonie (entrant FR, faible latence, RNNoise côté edge Twilio pour les environnements bruyants).
• Anthropic Claude Sonnet 4.6 pour la couche triage post-appel et extraction de données structurées — quand le flux voix synchrone se termine, un passage forced-tool-calling classifie le résultat de l'appel et extrait ce qui doit atterrir dans le CRM. Le prompt caching sur le bloc de règles statiques (cache_control: ephemeral) maintient un coût faible sur les exécutions répétées.
• Injection de connaissance métier : appels agentiques + tool calls sur MongoDB plutôt que RAG. L'agent appelle db.find() pour les questions relationnelles ("quel est le profil de ce candidat", "le prestataire est-il disponible jeudi") au lieu de récupérer des fragments de texte par vecteur. Le RAG n'entre en jeu que lorsque le corpus est véritablement textuel et volumineux.
• PostHog pour la revue des transcripts et les événements ai_call / mission_ai_decision (modèle, route, latence, cache hits, outil sélectionné). Sentry pour les erreurs. Logs structurés Pino.

Cette stack nous donne la meilleure qualité vocale, un contrôle total sur le comportement des agents, et des coûts de scaling prévisibles. Nous en avons livré des variantes sur plusieurs déploiements en production.

Quand choisir chaque plateforme

• Choisissez Vapi si : vous avez besoin de livrer vite, votre équipe compte 1 ou 2 ingénieurs, la logique de l'agent est complexe.
• Choisissez Retell si : vous remplacez un centre d'appels, la téléphonie est le critère principal, vous avez besoin de SLAs enterprise.
• Choisissez ElevenLabs si : la qualité vocale est votre différenciateur, vous voulez du support multilingue, vous êtes prêts à écrire votre propre orchestration.

Pour conclure

L'espace voix IA évolue vite — ce qui était vrai il y a six mois ne l'est plus aujourd'hui. Nous re-benchmarkons chaque trimestre. Si vous démarrez un projet voix IA maintenant, traitez le choix de plateforme comme réversible : construisez votre logique métier dans une couche que vous contrôlez, et considérez l'infra voix comme interchangeable.

Vous avez un projet d'agent vocal ? Parlons-en. — 15 minutes de découverte, on vous écoute, ensuite on livre.