Test de Krisp Voice Isolation : résoudre le problème de la seconde voix dans les agents vocaux IA

La reconnaissance vocale gère bien le bruit, mais dès qu'une autre personne parle, ses propos se retrouvent dans la transcription.

Emmanuel Mumba

Emmanuel Mumba

19 November 2026

Test de Krisp Voice Isolation : résoudre le problème de la seconde voix dans les agents vocaux IA

Apidog pour les entreprises

Déploiement sur site

SSO & RBAC

Conforme SOC 2

Découvrir Apidog Enterprise

Lorsqu'un agent vocal échoue sur des appels réels, la cause ne vient souvent ni du LLM ni de la voix. Le problème se situe une étape en amont, dans l'audio que l'agent entend, qu'il soit envoyé vers la reconnaissance vocale (STT) ou directement vers un modèle speech-to-speech. Les STT modernes gèrent très bien la circulation et la climatisation. Ce qu'ils ne gèrent pas, c'est une seconde personne qui parle : un collègue, une télévision, l'agent au bureau voisin dans un centre d'appels. Il les écoute aussi, et l'agent réagit à des mots que l'appelant n'a jamais prononcés.

Krisp Voice Isolation se place devant le STT et élimine toutes les voix excepté celle du locuteur principal. Pour cette revue, j'ai lu le benchmark et la documentation de Krisp, créé un compte sur l'API en libre-service, et fait passer huit enregistrements réels du jeu de données public de Krisp à travers le service. J'ai ensuite transcrit l'audio avant et après traitement avec un modèle STT open source pour voir ce qui avait réellement changé.

Verdict en bref : si votre agent reçoit des appels depuis des bureaux, des domiciles, des centres d'appels ou partout où des gens parlent en arrière-plan, Voice Isolation mérite une place dans votre pipeline. Dans mon test, des voix de fond qui avaient généré 331 mots de fausse transcription sont tombées à zéro. Les compromis sont réels mais modestes : un léger coût sur l'audio téléphonique propre, une API disponible uniquement en région États-Unis, et moins de modèles sur l'API que dans le SDK.

Le problème : les voix de fond, pas le bruit de fond

Les modèles STT sont entraînés à capter la parole, pas à décider quelle parole compte. Le bruit peut être filtré parce qu'il ne ressemble pas à de la parole. Une seconde voix ressemble exactement à de la parole, tout simplement parce qu'elle en est.

L'exemple de Krisp est parlant. Un appelant demande d'annuler un abonnement pendant qu'un collègue à proximité demande ce qu'il y a au déjeuner. Le STT renvoie un flux de mots sans rien indiquer sur leur provenance, donc l'agent reçoit les deux comme une seule requête.

Cela casse un agent vocal de trois façons :

Dans chaque cas, la logique de l'agent fonctionne comme prévu. Elle réagit à une voix qu'elle n'aurait jamais dû entendre.

Les chiffres montrent l'ampleur de l'écart. Dans le test de sortie de Voice Isolation 2.5 de Krisp, 10 systèmes STT affichaient en moyenne un taux d'erreur de mots (WER) de 2,10 % sur de l'audio propre à un seul locuteur. Avec une seconde personne parlant par-dessus l'appelant, ces mêmes systèmes montaient en moyenne à 35,92 %. La suppression de bruit ne comble pas cet écart, car l'interférence est de la parole.

Qu'est-ce que Krisp Voice Isolation

L'API et SDK Krisp Voice Isolation supprime les voix et le bruit de fond d'un flux audio en direct et ne transmet que le locuteur principal. Il est conçu pour les agents vocaux IA, et s'appuie sur la même technologie de base que Krisp propose pour les appels humains sous le nom de Background Voice Cancellation (BVC).

Il se place en premier dans le pipeline de l'agent, afin que chaque modèle en aval n'entende qu'une seule voix :

Where Voice Isolation sits in a voice agent pipeline

Position de Voice Isolation dans le pipeline d'un agent vocal

Cet emplacement est crucial. Sans cela, le VAD et la détection de tours de parole entendent aussi le passant, d'où viennent les interruptions fantômes.

Krisp travaille depuis environ neuf ans sur la voix IA et déclare traiter plus de 1 000 milliards de minutes de voix par an. Voice Isolation est l'un des produits de sa gamme d' API vocales IA et de SDK. Voice Isolation fait partie de VIVA, l'ensemble des modèles temps réel de Krisp pour agents vocaux, aux côtés de Turn-Taking, Interrupt Prediction et VAD. Il fonctionne en complément de la gestion des tours de parole, non en remplacement.

Caractéristique

Voice Isolation 2.5

Calcul

CPU uniquement, aucun GPU requis

Latence algorithmique

15 ms (la documentation du SDK Krisp indique une latence ajoutée d'environ 20 ms)

Moteurs STT

Tous. Le traitement porte sur le signal audio, donc aucune configuration par langue ou par moteur n'est nécessaire

Audio téléphonique

Téléphonie bande étroite, G.711, G.722, G.729, Opus, casques Bluetooth

Enrôlement vocal

Aucun requis

Distance au micro

Champ proche ; environ dans un rayon de 30 cm à titre indicatif général, selon l'acoustique 

Modèles

Default, Balanced, Lite, HD

Les quatre modèles vous donnent le contrôle sur l'agressivité de suppression des voix et du bruit de fond. Avec l'agressivité maximale (configuration par défaut), Default supprime le plus. Balanced traite la voix principale plus légèrement, à calcul égal. Lite utilise environ un tiers du calcul de Default. HD est destiné aux flux WebRTC à 32 kHz plutôt qu'à l'audio téléphonique. L'agressivité est un paramètre d'exécution que vous pouvez ajuster sans modifier le calcul ; dans l'API, c'est le paramètre suppression_level, de 0 à 100. 

Une limite à connaître dès le départ : les modèles de suppression de voix supposent que le locuteur est proche du micro. En règle générale, au-delà d'environ 30 cm, la voix du locuteur principal lui-même peut être supprimée. Ce n'est pas une règle absolue, mais une recommandation générale, et la distance réelle dépend des conditions acoustiques.  Pour les périphériques en champ lointain comme les enceintes connectées, Krisp propose un modèle distinct qui supprime uniquement le bruit.

La version 2.5 est sortie en août 2026, et Krisp a publié un benchmark et un jeu de données ouverts en septembre. Le modèle est désormais disponible à la fois en API en libre-service et en SDK.

Ce que montrent les benchmarks de Krisp

Sur le benchmark ouvert de Krisp, Voice Isolation a réduit le taux d'erreur de mots moyen de 23,24 % à 6,24 %, soit une baisse de 73 %.

La page de benchmark de Krisp résume le résultat principal.

Le benchmark utilise 265 enregistrements réels provenant de bureaux, de domiciles, de quatre plateaux de centres d'appels en activité et de voitures. Rien n'a été simulé ni mixé après coup. La plupart des enregistrements suivent le même scénario : le locuteur principal parle, une seconde personne intervient, le locuteur principal se tait pendant que l'autre continue de parler, puis le locuteur principal revient. Cette fenêtre de silence est le vrai test, car la transcription correcte y est vide. Chaque fichier a été traité par 11 configurations STT issues de neuf moteurs, avec et sans isolation.

Source : benchmark voice isolation de Krisp, oct. 2026 · 11 configurations STT, tous scénarios confondus

Chaque moteur s'est amélioré et aucun n'a régressé. Le résultat le plus utile concerne l'écart entre les moteurs : sur l'audio brut, il est d'environ 20 points, et après isolation, il se réduit à environ 5. Si votre agent entend des voix de fond, nettoyer l'entrée améliore votre WER davantage que le choix d'un autre fournisseur STT.

Par scénario, le gain dépend de la présence ou non d'une seconde voix :

Scénario

Audio brut

Avec Voice Isolation

Travail (bureaux, domiciles, salles de réunion)

31,84 %

6,30 %

Centre d'appels

23,83 %

6,86 %

Appels téléphoniques (sans voix concurrente)

3,48 %

3,91 %

Les 265 fichiers

23,24 %

6,24 %

Là où il n'aide pas

Krisp publie ses points faibles, et c'est selon moi la partie la plus convaincante de la présentation.

Six sample recordings on Krisp's benchmark page, each playable raw and through Voice Isolation 2.5, including Sample 153 which gets worse

La page de benchmark permet d'écouter six enregistrements en version brute et traitée. L'échantillon 153, un appel téléphonique, est étiqueté « Se dégrade ».

Deux autres points à garder à l'esprit. Le chiffre de 73 % et celui de 46,4 % que vous verrez sur le site de Krisp proviennent de tests différents : 265 enregistrements pour le benchmark ouvert, et 1 685 enregistrements pour le test de sortie 2.5. Et les résultats de Krisp comparent l'audio avec et sans sa propre isolation, non contre les produits d'isolation d'autres fournisseurs.

Les enregistrements, les transcriptions manuscrites, les étiquettes de segments et les sorties de chaque modèle sont publics sur Hugging Face, donc chacun peut refaire le test. C'est ce que j'ai fait ensuite.

Test pratique : évaluer l'API Voice Isolation

Dans mon test, Voice Isolation a supprimé tous les mots de la parole de fond des transcriptions, et le WER global est passé de 40,1 % à 10,2 %.

Configuration

L'inscription sur le Portail Développeurs est rapide, avec connexion via Google, Microsoft ou e-mail. L'essai m'a donné 30 $ de crédits et une limite de deux sessions simultanées. Ensuite, direction API Keys → Create key, et vous obtenez une clé que vous ne pouvez copier qu'une seule fois.

La page Voice Isolation du Portail Développeurs sur le plan d'essai.

La clé API que j'ai créée pour cette revue. Une seule clé fonctionne pour tous les produits API de Krisp, y compris l'API de traduction vocale (Voice Translation API).

L'API repose sur un WebSocket. Votre backend échange la clé API contre un jeton de session de courte durée, le client envoie un petit message JSON d'accueil, attend ready, puis diffuse du PCM mono 16 bits et reçoit l'audio nettoyé image par image :

URL = "wss://streaming.krisp.ai/voice-isolation"async with websockets.connect(URL, additional_headers={"Authorization": f"api-key {session_token}"}) as ws:    await ws.send(json.dumps({"model": "VIVA-tel", "sample_rate": 16000, "suppression_level": 100}))    hello = json.loads(await ws.recv())  # {"type": "ready", ...}    # then send exactly 30 ms of audio per message (960 bytes at 16 kHz)    # and write each binary message you receive to your output

C'est proche du quickstart API de Krisp, un court script Python qui nettoie un fichier WAV. Une règle piège les utilisateurs : chaque message audio doit faire exactement 30 ms. Toute autre durée met fin à la session avec une erreur invalid_frame_duration, donc complétez la dernière trame avec du silence.

Pour le test, j'ai choisi huit enregistrements du jeu de données public de Krisp : trois enregistrements de bureau, trois provenant de plateaux de centres d'appels et deux appels téléphoniques depuis une voiture, soit environ 11 minutes au total. J'ai diffusé chacun via l'API en temps réel, depuis l'Asie. Puis j'ai transcrit l'audio brut et nettoyé avec Parakeet TDT 0.6B v2 open source de NVIDIA, l'un des moteurs du benchmark de Krisp, et j'ai noté chaque segment étiqueté par rapport aux transcriptions humaines.

Résultats

Enregistrements

WER brut

WER avec Voice Isolation

Bureau (3 fichiers)

36,6 %

3,6 %

Centre d'appels (3 fichiers)

53,4 %

15,8 %

Appels téléphoniques sans seconde voix (2 fichiers)

5,8 %

5,2 %

Les 8 fichiers

40,1 %

10,2 %

Presque toute l'amélioration vient d'un seul endroit : les fenêtres où le locuteur principal se taisait pendant que quelqu'un d'autre continuait de parler. Sur l'audio brut, Parakeet avait transformé cette parole de fond en 331 mots de transcription. Après Voice Isolation, il n'en a produit aucune. La voix de fond était atténuée de 13 à 34 dB dans ces fenêtres, tandis que le niveau du locuteur principal restait quasiment inchangé (moins de 1 dB d'écart).

My test · Krisp API (VIVA-tel), transcribed with Parakeet TDT 0.6B v2 · the 6 recordings with a background-only window

Mon test · API Krisp (VIVA-tel), transcrit avec Parakeet TDT 0.6B v2 · les 6 enregistrements avec une fenêtre de fond uniquement

L'exemple du centre d'appels montre pourquoi c'est important. Pendant que l'agent que je testais marquait une pause, l'agent au bureau voisin était sur un autre appel. La transcription brute a capté cet appel mot pour mot :

thank you for calling meridian bank before i begin i will need to confirm your identity for security could you give me your full name your date of birth...

Un agent vocal considérerait cela comme la parole de l'appelant. Avec Voice Isolation, la même fenêtre est revenue vide.

Lorsque les deux personnes parlaient en même temps, le changement était faible : 13,2 % en brut contre 12,5 % en nettoyé. Parakeet privilégiait déjà la voix la plus forte et la plus proche dans ces passages. La plupart des erreurs restantes proviennent du formatage des nombres dans ma notation (numéros de téléphone, prix, codes postaux), qui touchait également les deux versions.

Sur les deux appels téléphoniques propres, un fichier a gagné une erreur supplémentaire et l'autre en a perdu deux. C'est conforme au constat de Krisp selon lequel le coût sur l'audio propre est faible.

Latence et fiabilité depuis l'extérieur des États-Unis

L'API ne fonctionne actuellement que dans la région États-Unis, et la documentation de Krisp avertit que les clients situés ailleurs subiront une latence supplémentaire. Depuis l'Asie, la médiane du temps aller-retour pour une trame (envoi jusqu'au retour de l'audio nettoyé) était de 260 à 520 ms selon la session, et l'établissement d'une session prenait généralement 1,5 à 3 secondes. C'est la distance réseau, pas le modèle : Krisp annonce 15 ms de latence algorithmique. Mais si votre agent dessert des utilisateurs éloignés des États-Unis, vous le ressentirez, et le SDK sur vos propres serveurs permet de l'éviter.

Une de mes neuf sessions s'est interrompue environ 70 secondes après le début avec une fermeture anormale. L'avoir relancée a fonctionné. J'attribue cela à la longue route depuis l'Asie plutôt qu'au service, mais c'est un rappel de bien gérer les reconnexions en production.

À propos de ce test : huit fichiers, c'est un échantillon réduit, pas un benchmark. J'ai rééchantillonné les enregistrements à 32 kHz en 16 kHz pour le modèle téléphonique (VIVA-tel), utilisé un seul moteur STT, et gardé une normalisation du texte simple, donc mes chiffres absolus ne sont pas comparables à ceux de Krisp. Ce que je vérifiais, c'est la direction et l'ampleur du changement, et cela correspondait à ce que Krisp rapporte.

Expérience développeur : API ou SDK

Voice Isolation se décline en deux formules, et celle que vous pouvez utiliser dépend de votre plan.


API Voice Isolation

SDK VIVA

Où il s'exécute

Cloud de Krisp (région États-Unis)

Vos propres serveurs, sur CPU

Mode d'utilisation

Diffuser l'audio via un WebSocket, recevoir l'audio nettoyé en retour

Charger un modèle et traiter les trames audio dans votre propre code

Langages

Tout environnement disposant d'un client WebSocket

Python, Node.js, Go, Rust, C++ et C

Audio

8 ou 16 kHz (VIVA-tel), 32 kHz (VIVA-pro), PCM mono 16 bits

De 8 kHz à 32 kHz selon le modèle (HD accepte des entrées jusqu'à 32 kHz) 

Modèles

Deux : VIVA-tel pour l'audio téléphonique, VIVA-pro pour bande large 32 kHz

Default, Balanced, Lite, HD

Accès

Libre-service, clé API depuis le portail

Licence commerciale, plan Enterprise

Inclut également

API de traduction vocale (Voice Translation API)

Turn-Taking et VAD

L'API est la voie la plus simple : aucun fichier de modèle à déployer et rien à exécuter sur votre CPU. Les compromis sont que votre audio transite par le cloud de Krisp et que vous n'obtenez que deux modèles au lieu de quatre : VIVA-tel pour l'audio téléphonique à 8 ou 16 kHz, et VIVA-pro pour l'audio bande large à 32 kHz. VIVA-pro n'apparaît pas encore dans la référence de l'API, mais il est présent dans le Playground du portail, l'API l'a accepté lors de mon test, et Krisp a confirmé sa disponibilité.

Le Playground du portail permet de tester l'un ou l'autre modèle d'API avec votre propre microphone avant d'écrire la moindre ligne de code.

Le SDK conserve l'audio sur vos propres serveurs et ne se connecte que pour vérifier sa licence. C'est aussi là que l'aspect coût devient intéressant. L'article de Krisp sur le CPU montre qu'un simple flag du SDK, enableLowPrecisionExecution, double environ le nombre d'appels qu'un serveur peut nettoyer sur les CPU compatibles FP16. Une instance AWS Graviton3 à 16 vCPU est passée de 76 appels en direct à 137, et le modèle Lite prend en charge environ trois fois plus de flux que les modèles complets. Sur les anciennes puces Intel Ice Lake, le flag ne fait rien.

Intégrations

La documentation est claire et à jour. Le quickstart a fonctionné du premier coup, et les messages d'erreur indiquent précisément ce qui n'a pas fonctionné, jusqu'aux tailles de trames attendue et reçue. Mon seul reproche concerne la nomenclature : le blog parle de Default, Balanced, Lite et HD, les téléchargements du SDK utilisent des noms de fichiers comme krisp-viva-vi-tel-v2.5.1, et l'API appelle ses modèles VIVA-tel et VIVA-pro, seul le premier figurant dans la référence API. Un tableau de correspondance dans la documentation serait utile.

Tarification

L'API est facturée à l'heure d'audio, et son prix est suffisamment bas pour que le coût ne devrait pas déterminer si vous l'utilisez ou non.

Tarifs développeur de Krisp, novembre 2026.

Sur le plan Starter en paiement à l'usage, l'API Voice Isolation coûte 0,18 $ par heure d'audio, sans frais mensuels. Le tarif est le même pour les deux modèles API, VIVA-tel et VIVA-pro. Growth coûte 400 $ par mois, inclut 400 $ d'utilisation et fait baisser le tarif à 0,12 $ par heure, avec une concurrence plus élevée et un support prioritaire. Enterprise est sur devis et est le seul plan à inclure le SDK, un SLA, ainsi que HIPAA et SOC 2.

Le crédit de départ de 30 $ couvre environ 166 heures d'audio au tarif Starter, ce qui suffit largement pour les tests. Les crédits sont valables 12 mois et l'utilisation est facturée à la minute. Pour vous donner un ordre d'idée, un appel de 5 minutes coûte environ 1,5 centime à nettoyer sur Starter.

Le SDK n'est disponible que sur le plan Enterprise, à un prix négocié, donc il faudra contacter l'équipe commerciale si vous souhaitez exécuter les modèles sur vos propres serveurs. Les tarifs proviennent de la page de tarification de Krisp, vérifiés en novembre 2026.

Alternatives

Krisp n'est pas la seule option pour supprimer les voix de fond, mais aucun test comparatif indépendant de ces produits n'existe encore. Chaque fournisseur publie ses propres chiffres sur ses propres données, considérez donc les chiffres ci-dessous comme des allégations.

Option

Ce qu'elle fait

Bon à savoir

DeepFilterNet

Suppression de bruit en temps réel

Fonctionne à 48 kHz par fenêtres de 20 ms avec environ 40 ms de latence totale, assez rapide pour un seul thread CPU. Il cible le bruit, pas une seconde voix.

DPDFNet

Suppression de bruit en temps réel, construit sur DeepFilterNet2

Modèles causaux mono-canal de Ceva sous Apache-2.0, avec un package ONNX CPU uniquement (pip install dpdfnet). C'est de la suppression de bruit, pas de voix.

ClearerVoice-Studio

Boîte à outils pour l'amélioration, la séparation et l'extraction de locuteurs cibles

Son extraction de locuteur audio seule nécessite un enregistrement de référence du locuteur cible et fonctionne à 8 kHz. Les autres modes d'extraction utilisent la vidéo, les gestes ou l'EEG.

SpeechBrain SepFormer (WHAMR!)

Séparation de voix

Modèle Apache-2.0 pour audio mono-canal à 8 kHz qui sépare un mixage en voix distinctes. Il vous reste à déterminer laquelle est celle de l'appelant.

Pas d'isolation

S'appuyer sur la gestion du bruit propre au STT

Gratuit, et acceptable si les appelants sont pour la plupart seuls ; Deepgram a soutenu que le pré-filtrage pouvait nuire au STT

La force de Krisp, c'est la preuve. C'est le seul fournisseur ici à proposer un benchmark ouvert et reproductible couvrant 11 configurations STT, et il publie les cas où il perd. C'est aussi le plus souple à déployer : API cloud, SDK sur serveur, ou intégré dans LiveKit et Pipecat.

Verdict

Krisp Voice Isolation est la solution à privilégier lorsqu'un agent vocal se comporte mal sur des appels réels alors qu'il fonctionne parfaitement en test. Il supprime les voix que votre agent ne devrait pas entendre, il fonctionne avec le STT que vous utilisez déjà, et le benchmark de Krisp comme mon propre test montrent la même chose : la parole de fond ne atteint plus la transcription.

Points forts

Points faibles

Pour qui : les équipes dont les agents reçoivent des appels depuis des centres d'appels, des bureaux, des domiciles, des voitures ou partout où d'autres personnes parlent à proximité. Commencez par l'API pour mesurer l'effet sur vos propres enregistrements, puis passez au SDK si vous avez besoin des autres modèles, d'une latence plus faible hors États-Unis, ou d'un audio qui reste sur vos serveurs.

Pour qui ce n'est pas utile : les agents dont les appelants sont presque toujours seuls dans des pièces silencieuses, ou les périphériques en champ lointain comme les enceintes connectées, pour lesquels les modèles de suppression de voix ne sont pas conçus.

Vous pouvez essayer l'API Krisp Voice Isolation avec les crédits gratuits et faire passer vos propres enregistrements en un après-midi.

FAQ

L'isolation vocale est-elle la même chose que l'annulation de bruit ? Non. L'annulation de bruit supprime les sons non vocaux comme la circulation et les claviers. L'isolation vocale supprime également les voix des autres personnes, que l'annulation de bruit laisse passer.

Krisp Voice Isolation fonctionne-t-il avec mon fournisseur STT ? Oui. Il traite l'audio lui-même, donc il fonctionne devant n'importe quel moteur STT. Krisp l'a testé avec 11 configurations, incluant les modèles de Deepgram, AssemblyAI, ElevenLabs, Soniox, Google, Cartesia et NVIDIA. Il peut aussi se placer devant des modèles speech-to-speech. Krisp n'a pas encore publié de résultats pour cette configuration, mais rien ne vous empêche de l'essayer. 

Remplace-t-il la détection de tours de parole ? Non. Il se place avant le VAD et la détection de tours de parole et leur fournit un audio plus propre. Krisp propose Turn-Taking comme modèle séparé dans le même SDK VIVA.

Les utilisateurs doivent-ils enrôler leur voix ? Non. Aucun enrôlement ni entraînement sur la voix de l'utilisateur n'est nécessaire.

Quelle latence ajoute-t-il ? Krisp annonce 15 ms de latence algorithmique, et sa documentation SDK indique une latence ajoutée d'environ 20 ms. Avec l'API cloud, le temps réseau vers la région États-Unis s'ajoute à cela.

Fonctionne-t-il sur les appels téléphoniques ? Oui. Il gère l'audio téléphonique bande étroite, les codecs courants tels que G.711, G.722, G.729 et Opus, ainsi que les casques Bluetooth.

Et pour les appels entre humains ? La même technologie est proposée sous le nom de Background Voice Cancellation (BVC) dans le SDK RTC de Krisp, qui s'exécute sur l'appareil de l'utilisateur dans les navigateurs et les applications de bureau et mobiles. Les centres de contacts avec agents humains y ont accès via le produit call center AI de Krisp, qui écarte les voix des agents voisins des appels des clients.

Pratiquez le Design-first d'API dans Apidog

Découvrez une manière plus simple de créer et utiliser des API