Voice AI pour les service desks : latence, langues, coûts

Pourquoi la voix en 2026

Pour un SaaS B2C, le chat suffit. Pour un service desk qui parle à des installateurs sur échafaudage, des techniciens en fourgon, des chefs en cuisine bruyante — taper est impossible. La Voice AI a franchi le seuil où les clients la considèrent compétente (fini les SVI façon 2018) et le budget de latence s'est resserré au point que la conversation paraît naturelle.

Mais la différence entre 0,8 s et 2,4 s end-to-end, c'est la différence entre naturel et robotique. Ce guide, c'est ce que nous avons mesuré.

Le budget de latence

Latence end-to-end totale = ASR + retrieval + LLM + TTS.

Budget mesuré chez helpcode (médiane) :

• ASR (parole → texte) : 250 ms
• Retrieval (hybride + reranker, top-12) : 350 ms
• Appel LLM : 600 ms (Anthropic Haiku 4.5 ; Sonnet ajoute ~400 ms)
• TTS (texte → parole, premier phonème) : 200 ms

Total : ~1,4 s jusqu'au premier mot audible.

Pousser l'un d'eux et la conversation casse. Les deux plus gros leviers :

1. Tout streamer. L'ASR streame le transcript partiel ; le retrieval démarre sur le partiel ; le LLM streame la réponse ; le TTS streame la première phrase pendant que la seconde est en cours de génération.
2. Le bon modèle pour le bon tour. Intents triviaux → modèle bon marché (Haiku). Multi-étapes complexes → modèle cher (Sonnet). Routage par tour.

Voice multilingue

La voice multilingue native est plus dure que le chat multilingue natif parce que les erreurs ASR se cumulent. Deux tactiques pratiques :

• Détection de langue au premier tour, pas par tour. Changer en cours de conversation est rare et le coût de détection par tour est de la latence gâchée.
• Les termes de marque sont préservés à travers les langues. Si le client dit « Vaillant » dans n'importe quelle langue, ce token doit passer l'ASR littéralement. Un hint de vocabulaire custom sur l'ASR est obligatoire.

helpcode livre 8 langues par défaut — EN, DE, IT, FR, ES, NL, PL, PT.

Économie des coûts

La voix coûte plus cher que le chat. Coûts indicatifs par conversation (5-7 tours, endpoints modèles UE) :

• ASR + TTS : ~€0,04
• LLM (routage cheap-by-default) : ~€0,06
• Téléphonie (numéro inbound UE) : ~€0,02

Par conversation : ~€0,12. Comparé à un agent humain (~€2-4 par contact L1), l'écart est assez large pour que la voix soit rentable même à 30 % de deflection.

Handoff humain

Le handoff voice est le problème UX le plus difficile de ce domaine. L'approche helpcode :

• L'IA annonce le handoff : « Je vous passe un collègue — un instant. »
• Le transcript de la conversation + les champs captés (modèle, numéro de série, code erreur) arrivent sur l'écran de l'agent avant que l'appel atterrisse dans sa file, afin que les premiers mots de l'agent ne soient pas « bonjour, pouvez-vous me dire… ».
• Latence du trigger « humain » au premier mot humain : médiane 12 s.

Checklist pré-lancement

• Latence end-to-end médiane < 1,7 s, p95 < 2,5 s
• Termes de marque dans le vocabulaire custom de l'ASR
• Détection de langue au premier tour
• Routage smart du modèle en place (cheap by default)
• Le journal d'audit enregistre : prompt, retrieval, modèle, citations
• Handoff humain testé avec l'équipe d'agents réceptrice
• Disclosure IA rendue dans la phrase d'ouverture
• Consentement RGPD enregistré pour l'enregistrement de l'appel