Les formats audio

Choisir le bon format de sortie

Le paramètre response_format accepte cinq valeurs, et ce choix d’une ligne engage bien plus qu’il n’y paraît : il détermine la qualité sonore, la taille des fichiers que vous stockerez, la latence perçue par vos utilisateurs et la compatibilité avec leurs lecteurs. Un podcast livré en PCM sera injouable par la moitié de votre audience ; un agent vocal en MP3 accusera deux secondes de retard à chaque réponse. Le tableau ci-dessous donne la vue d’ensemble, et la suite de la leçon explique quand chaque format est le bon.

MP3 : le standard universel

Le MP3 reste le format le plus répandu : tous les navigateurs, tous les téléphones et tous les lecteurs le lisent nativement, et il transporte les métadonnées ID3 dont les plateformes de podcast ont besoin. Sa compression est avec perte, donc la qualité est légèrement inférieure à celle du WAV, mais l’écart s’entend rarement sur de la voix. Son vrai défaut est ailleurs : en streaming, le codec doit accumuler des données avant de produire sa première trame, ce qui repousse le premier son à environ deux secondes. C’est le format à retenir pour des fichiers à télécharger, des podcasts ou une intégration web classique — jamais pour du conversationnel.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-2603",
    input="Un fichier MP3 pour un usage classique.",
    voice_id=voice_id,
    response_format="mp3",
)

WAV : la qualité maximale

Le WAV contient de l’audio PCM non compressé, donc la meilleure qualité possible, sans aucune perte. Comme il n’y a rien à décoder et que le format est universellement reconnu par les éditeurs audio, c’est le point de départ naturel d’une chaîne de post-production : vous montez, vous égalisez, vous compressez, puis vous exportez dans le format de diffusion voulu. La contrepartie est le volume, environ dix fois celui d’un MP3, et la bande passante correspondante.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-2603",
    input="Un fichier WAV pour la meilleure qualité.",
    voice_id=voice_id,
    response_format="wav",
)

Réservez-le aux audiobooks de qualité studio, à l’archivage et à tout ce qui sera retouché ensuite.

PCM : le format du temps réel

Le PCM (Pulse Code Modulation) est de l’audio brut en Float32 Little-Endian, sans en-tête ni encapsulation. Cette nudité fait sa force et sa faiblesse. Sa force : rien à encoder, rien à décoder, le premier son arrive en 0,7 seconde environ et les octets reçus s’écrivent directement dans la carte son. Sa faiblesse : sans header, c’est à vous de connaître et de transmettre le sample rate et le format — c’est exactement pourquoi l’exemple pyaudio de la leçon 10 déclarait explicitement paFloat32, un canal et 24 000 Hz. Les fichiers sont par ailleurs très volumineux et aucun lecteur grand public ne les ouvre directement.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-2603",
    input="Du PCM brut pour le streaming.",
    voice_id=voice_id,
    response_format="pcm",
)

C’est le format des assistants vocaux temps réel, des agents conversationnels et des applications WebRTC.

FLAC : compression sans perte

Le FLAC réduit la taille de 50 à 60 % sans toucher un seul échantillon : la qualité est rigoureusement identique à celle du WAV, et vous conservez les métadonnées. En pratique, c’est le format d’archivage : vous stockez vos masters en FLAC, et vous pouvez régénérer un MP3 ou un Opus des années plus tard sans avoir subi la double compression qui dégrade le son. Il demande en revanche un décodeur, ce qui le rend moins universel que le MP3.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-2603",
    input="Du FLAC pour un archivage sans perte.",
    voice_id=voice_id,
    response_format="flac",
)

Opus : le compromis moderne

Opus est un codec conçu pour la communication en temps réel, et il tient une excellente qualité à très bas débit. Sur une application mobile utilisée en 4G dégradée, il fait passer une voix nette là où le WAV saturerait la connexion, avec une latence de streaming basse — supérieure au PCM, très inférieure au MP3. Sa compatibilité est en revanche inégale : tous les lecteurs ne le prennent pas nativement, et certains exigent un conteneur OGG.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-2603",
    input="De l'Opus pour le streaming efficace.",
    voice_id=voice_id,
    response_format="opus",
)

C’est le choix de la VoIP, du streaming à bande passante limitée et des applications mobiles.

Décider en une minute

Face à un nouveau projet, tranchez dans cet ordre. Si vous faites du streaming temps réel, prenez le PCM pour la latence minimale, ou l’Opus si la bande passante compte autant que la réactivité. Sinon, demandez-vous où le fichier sera écouté : dans un navigateur, le MP3 vous garantit la compatibilité maximale. S’il doit être édité ensuite, le WAV vous donne la matière la plus facile à manipuler. S’il doit être archivé sans perdre un décibel, le FLAC compresse sans rien sacrifier. Et si la contrainte dominante est un réseau lent, l’Opus offre le meilleur rapport qualité/taille.

Points clés à retenir

• MP3 est le choix par défaut pour la compatibilité universelle
• PCM offre la latence la plus basse pour le streaming temps réel (~0,7s)
• WAV fournit la meilleure qualité sans compression, idéal pour la post-production
• FLAC compresse sans perte — même qualité que WAV, fichiers plus petits
• Opus est le meilleur compromis qualité/taille pour les applications réseau