Speko (YC S26) : l’OpenRouter de la voix qui veut en finir avec les agents vocaux obsolètes

Chaque mois, de nouveaux modèles vocaux surpassent les précédents en qualité et prix. Pourtant, la plupart des agents IA conversationnels tournent encore sur la technologie du trimestre dernier. Speko, startup fraîchement sortie de Y Combinator, veut automatiser ce qui reste aujourd’hui un angle mort coûteux : le choix et la mise à jour permanente de la stack vocale.

Le problème que personne ne veut résoudre

« Nous évaluons une fois, nous choisissons une stack, et nous ne revérifions jamais », résume Beknazar « Bek » Abdikamalov, fondateur de Speko. Un constat tiré de quatre années passées comme CTO à construire des agents vocaux pour entreprises à travers l’Asie, dans plus de dix langues. « Passer d’un fournisseur à un autre implique une nouvelle intégration et des débats sans fin sur les chiffres. Résultat : vous utilisez des agents qui tournent sur les modèles du trimestre dernier, alors que des options meilleures et moins chères existent. »

Le problème n’est pas nouveau, mais il s’aggrave. Un agent vocal typique combine trois briques technologiques : un modèle de reconnaissance vocale (STT) qui convertit la parole en texte, un grand modèle de langage (LLM) qui comprend et formule la réponse, et un modèle de synthèse vocale (TTS) qui transforme cette réponse en audio naturel. Chacune de ces couches compte aujourd’hui une douzaine de fournisseurs crédibles — Deepgram, AssemblyAI et Whisper côté STT ; GPT-4, Claude et Gemini côté LLM ; ElevenLabs, Play.ht et Google TTS pour la synthèse. Et chaque mois apporte son lot de nouveautés.

Selon des données compilées par Speko sur les plateformes d’agents vocaux existantes, les écarts de performance entre fournisseurs varient fortement selon la langue. Un modèle excellent en anglais peut se révéler médiocre en coréen ou en vietnamien. Les benchmarks officiels des éditeurs, souvent centrés sur l’anglais, masquent cette réalité. « Personne n’a le temps de refaire le bake-off chaque fois qu’un nouveau modèle sort », poursuit Abdikamalov. « Alors la stack choisie sous pression de deadline devient celle avec laquelle on reste coincé pendant un an. »

OpenRouter pour la voix, mais en plus complexe

Speko se positionne explicitement comme « l’OpenRouter de la voix ». OpenRouter, plateforme qui agrège l’accès à plusieurs LLM via une API unique, a validé le modèle d’agrégation dans l’écosystème IA. Mais la voix ajoute une couche de complexité : il ne s’agit pas seulement de router des requêtes textuelles asynchrones, mais d’orchestrer trois modèles différents avec des contraintes de latence temps réel (idéalement sous 500 millisecondes pour une conversation fluide).

Concrètement, Speko propose une plateforme qui benchmark publiquement l’ensemble des options disponibles — plus de 3 600 combinaisons STT-LLM-TTS selon les derniers chiffres publiés — et recommande la meilleure selon les contraintes spécifiées : langue cible, budget, latence acceptable, précision requise. La plateforme fournit également une explication des choix effectués, un élément crucial pour convaincre les parties prenantes internes souvent réticentes au changement.

« Le vrai obstacle n’est pas technique, c’est organisationnel », analyse un responsable produit d’une plateforme concurrente interrogé sous couvert d’anonymat. « Changer de fournisseur, c’est rouvrir des débats sur les métriques, gérer les peurs du risque, convaincre les équipes. Un benchmark objectif et transparent devient un argument d’autorité. »

Un avantage caché : l’expertise multilingue

Si Speko mise sur le benchmark automatisé, son atout différenciant pourrait bien résider ailleurs : dans l’expérience multilingue de son fondateur. Quatre ans à déployer des agents vocaux en Asie, du mandarin au vietnamien en passant par le coréen et le thaï, ont forgé une expertise rare. « Les modèles ont des performances radicalement différentes selon les langues », souligne Abdikamalov. « Un système excellent en anglais peut être catastrophique en vietnamien. Et personne ne benchmark sérieusement hors de l’anglais. »

Cette dimension multilingue pourrait constituer une barrière à l’entrée durable. Alors que la plupart des concurrents se concentrent sur le marché anglophone, Speko affiche l’ambition de devenir le standard global, notamment sur les marchés asiatiques où les entreprises locales manquent d’expertise pour évaluer les options. Selon des données compilées par la plateforme, les écarts de performance entre fournisseurs peuvent atteindre 40 points de précision sur certaines langues peu dotées.

Le modèle économique reste flou

Speko n’a pas détaillé publiquement sa stratégie de monétisation. Plusieurs options s’offrent aux plateformes de ce type : abonnement SaaS classique, commission sur l’usage (take-rate), ou modèle hybride. Le risque du take-rate : créer un conflit d’intérêt si Speko perçoit des commissions différentes selon les fournisseurs recommandés, ce qui pourrait biaiser les benchmarks.

La startup devra également clarifier son périmètre exact. Fournit-elle une API unifiée qui abstrait complètement les fournisseurs sous-jacents (modèle « plateforme »), ou reste-t-elle un outil de recommandation laissant les clients gérer eux-mêmes les intégrations (modèle « conseil automatisé ») ? Les premières communications penchent vers une approche hybride, avec compatibilité annoncée avec des frameworks existants comme LiveKit, Pipecat ou le SDK OpenAI.

Une fenêtre de tir étroite

Le timing du lancement n’est pas anodin. Août 2026 coïncide avec la maturation des modèles vocaux temps réel, dont la latence est enfin passée sous la barre psychologique des 500 millisecondes. Ce seuil technique élargit brutalement le marché : les agents vocaux ne sont plus cantonnés au support client basique, mais deviennent viables pour des cas d’usage critiques (urgences médicales, trading financier, assistance technique complexe). La valeur d’une optimisation continue explose quand les enjeux montent.

Mais la fenêtre pourrait se refermer vite. La fragmentation actuelle — douze fournisseurs par couche — est probablement temporaire. Les analystes anticipent une consolidation d’ici deux à trois ans, avec l’émergence de trois ou quatre acteurs dominants par segment. Si le marché se simplifie, l’avantage concurrentiel de Speko (naviguer la complexité) s’érode. La startup doit donc construire rapidement des barrières à l’entrée durables : données propriétaires de benchmark, relations clients ancrées, fonctionnalités avancées d’orchestration.

Autre menace : la verticalisation des géants. L’OpenAI Realtime API, lancée fin 2024, intègre déjà STT, LLM et TTS dans un flux unique. Google et Anthropic travaillent sur des offres similaires. Si ces stacks intégrées deviennent la norme, le besoin d’un routeur externe diminue. Speko devra alors soit évoluer vers une plateforme d’orchestration à valeur ajoutée (gestion de la téléphonie, analytics avancés, conformité réglementaire), soit se concentrer sur les cas d’usage où la flexibilité multi-fournisseurs reste critique (langues rares, secteurs régulés, optimisation coût extrême).

Ce que cela change pour les entreprises

Pour les entreprises déployant des agents vocaux, Speko promet plusieurs bénéfices concrets. D’abord, une réduction drastique du temps d’évaluation : de plusieurs semaines de tests internes à quelques heures avec des benchmarks automatisés et transparents. Ensuite, une amélioration continue automatique : l’agent vocal peut basculer vers les meilleurs modèles disponibles sans réintégration manuelle lourde.

Les gains économiques peuvent être substantiels. Les nouveaux modèles sont souvent 30 à 50 % moins chers à performance égale, selon les données publiées par Speko. Sur un centre d’appels traitant 100 000 appels mensuels, cela peut représenter des dizaines de milliers de dollars d’économies annuelles. Enfin, la réduction du risque de lock-in fournisseur : la facilité de changement protège contre les hausses de prix unilatérales ou les dégradations de service.

Mais le changement n’est pas gratuit. Même « facilité » par une plateforme, la migration d’une stack vocale nécessite tests, validation, formation des équipes. Et tous les cas d’usage ne bénéficient pas également du benchmark générique : les secteurs avec du jargon très spécialisé (médical, juridique) ou des contraintes réglementaires strictes (finance, santé) peuvent avoir besoin d’évaluations sur mesure que les benchmarks publics ne couvrent pas.

Questions ouvertes

Plusieurs inconnues demeurent. Speko fournira-t-il une abstraction complète (API unifiée masquant les fournisseurs) ou restera-t-il un outil de recommandation nécessitant des intégrations séparées ? Comment la plateforme monétisera-t-elle sans cannibaliser les marges déjà faibles des fournisseurs sous-jacents ? Le benchmark peut-il rester objectif si des commissions différenciées sont en jeu ?

Plus stratégiquement : quelle sera la réaction des grands fournisseurs ? Partenariat, comme OpenRouter l’a obtenu avec certains acteurs ? Indifférence ? Ou hostilité, avec refus d’accès API ou conditions tarifaires punitives pour les agrégateurs ? La réponse dessinera en grande partie l’avenir de Speko.

Enfin, le marché est-il prêt à payer pour du benchmark continu, ou préfère-t-il évaluer une fois puis optimiser manuellement ? La réponse dépendra de la vélocité d’innovation du secteur. Si de nouveaux modèles continuent de sortir chaque mois avec des gains significatifs, la valeur du service Speko reste élevée. Si le rythme ralentit et que le marché se stabilise, l’intérêt diminue.

Conclusion : un pari sur l’instabilité permanente

Speko parie que le marché des modèles vocaux restera fragmenté et en évolution rapide assez longtemps pour qu’une couche d’agrégation devienne indispensable. C’est un pari raisonnable à court terme : la vélocité d’innovation actuelle ne montre aucun signe de ralentissement. Mais à moyen terme, les forces de consolidation et d’intégration verticale joueront contre ce modèle.

La startup devra donc évoluer vite : du benchmark pur vers une plateforme d’orchestration à valeur ajoutée, de la recommandation passive vers l’optimisation active, du marché anglophone vers une couverture multilingue réellement globale. Le label Y Combinator lui donne une rampe de lancement. Reste à voir si elle saura transformer l’essai avant que la fenêtre ne se referme.

Une question demeure pour l’ensemble du secteur : l’automatisation croissante des interactions vocales améliore-t-elle réellement l’expérience client, ou crée-t-elle simplement une course à l’efficacité où la qualité relationnelle devient la première victime ?