Grok Voice 3.0 place xAI en tête de l’index vocal à 0,08 $ la minute
Le 14 octobre 2026, xAI lance Grok Voice 3.0, un modèle speech-to-speech qui prend la première place de l’index Speech-to-Speech d’Artificial Analysis (86,9) au prix inchangé de 0,08 $ la minute. Les centres d’appels qui arbitrent encore un agent vocal ont désormais un point de repère chiffré, à croiser avec une évaluation sur leurs propres scénarios.
14 octobre 2026. xAI publie Grok Voice 3.0, son nouveau modèle vocal speech-to-speech. 86,9. Le score qui le place premier de l’index Speech-to-Speech d’Artificial Analysis, devant GPT-Live-1 (83,2) et Gemini 3.8 Live (82,6). 0,08 $. Le prix à la minute, identique à la génération précédente. Pourquoi c’est important : la voix conversationnelle atteint un seuil où le coût, la latence et la qualité convergent — et un acteur y parvient sans augmenter son tarif.
Du speech-to-speech, pas du STT puis TTS
La différence technique de Grok Voice 3.0 tient en un point : contrairement aux pipelines classiques qui transcrivent la parole en texte, envoient le texte à un LLM, puis synthétisent la réponse, le modèle écoute l’audio parlé et répond directement en audio. Le gain n’est pas cosmétique : il se mesure en latence — xAI annonce moins d’une seconde — et en naturel dans les pauses, les tours de parole et les interruptions.
Cette architecture directe est ce qui permet au modèle de gérer ce que Full Duplex Bench mesure précisément : la gestion des pauses, des tours de parole et des interruptions d’un interlocuteur. Grok Voice 3.0 y obtient 97,0 %, contre 95,1 % pour Grok Voice 2.0. C’est le type de métrique qui sépare un répondeur scripté d’un agent capable de tenir une conversation réelle.
Des benchmarks à lire avec prudence
Les chiffres publiés par xAI sont flatteurs, et il faut les lire comme des résultats de vendeur. Sur l’index Speech-to-Speech d’Artificial Analysis — une moyenne pondérée de quatre composantes — Grok Voice 3.0 atteint 86,9, devant GPT-Live-1 (mode Astra Medium, 83,2) et Gemini 3.8 Live (Extended Thinking High, 82,6). Dans le détail : 98,5 % sur Big Bench Audio (raisonnement vocal), un Elo de 1070 sur l’arène de préférence, et 94,8 % de réussite des tâches.
Mais l’index cache une nuance. Sur tau-Voice, un benchmark bâti à partir d’appels simulés de support client, Grok Voice 3.0 obtient 71,6 % — derrière GPT-Live-1 (74,5 %), même si xAI souligne que son modèle y est comparable pour 40 % de latence en moins. Autrement dit : le modèle xAI domine la synthèse vocale pure et le raisonnement audio, mais OpenAI reste devant sur une métrique de tâche de support spécifique. L’arbitrage dépend du scénario.
Le coût par tâche, lui, penche en faveur d’xAI : 0,025 $ en moyenne sur Big Bench Audio, contre 0,030 $ pour GPT-Live-1 et 0,055 $ pour GPT-Realtime-2.1. Sur EVA-Bench, le benchmark de ServiceNow pour les agents vocaux d’entreprise, Grok Voice 3.0 revendique le meilleur score d’exactitude (74 %) et « une nouvelle frontière de Pareto » entre exactitude et expérience, selon Nitin Aggarwal, directeur produit chez ServiceNow.
La preuve par le déploiement
La revendication la plus crédible n’est pas dans les benchmarks, mais dans les volumes de production. xAI affirme que Grok Voice alimente des millions de conversations par jour dans les véhicules Tesla — via des Connecteurs pour des actions comme consulter l’agenda ou répondre à un courriel, et Grok Bot pour des tâches plus lourdes comme commander un café. Le modèle anime aussi le mode vocal de Grok Bot.
Les centres d’appels Starlink donnent une mesure plus exploitable : 20 000 appels par jour, traités en plusieurs langues, dont environ 70 % résolus sans humain dans la boucle, et un appel de vente sur quatre conclu avant que le client raccroche. Un seul agent bâti sur Grok Voice 3.0 vérifie l’identité du client, diagnostique le matériel, émet des avoirs et expédie du matériel de remplacement. Ce n’est pas une démo : c’est un flux opérationnel à l’échelle.
Ce chiffre de 70 % mérite d’être lu pour ce qu’il est : un taux de résolution sans humain, pas un taux de satisfaction. Les 30 % restants sont précisément les appels où le contexte est ambigu, l’émotion forte ou la responsabilité engagée — et c’est là qu’un agent doit savoir passer la main proprement plutôt que de s’enferrer dans une boucle. La qualité d’un déploiement vocal se mesure autant à la frontière de l’escalade qu’au score de benchmark.
Le prix, et ce qu’il dit du marché
Grok Voice 3.0 est proposé à 0,08 $ la minute, soit 4,80 $ l’heure — le même prix que Grok Voice 2.0. Les agents qui utilisent l’alias grok-voice-latest ont été basculés automatiquement, sans changement de code. Ce maintien du prix, alors que les capacités progressent, est le vrai signal : la voix conversationnelle devient une commodité dont la concurrence se joue sur la qualité et la latence, plus que sur le tarif.
Pour un décideur, le calcul est simple à poser. Un agent humain de support coûte, en ordre de grandeur, plusieurs dizaines de dollars l’heure chargé ; un agent vocal à 4,80 $ l’heure change l’équation des tickets simples et répétitifs. La question n’est plus « est-ce que ça marche », mais « sur quel périmètre de tickets le laisser agir seul, et où garder un humain dans la boucle ».
La voix devient une commodité, l’open source reste à la traîne
Le maintien du prix à 0,08 $ la minute prend tout son sens une fois replacé dans le marché. OpenAI a lancé GPT-Live-1 à 0,05 $ la minute, soit moins cher que Grok Voice 3.0, tandis que Google pousse Gemini Live dans son écosystème Gemini à des tarifs comparables. La bataille ne se joue donc plus sur le coût à la minute — les trois acteurs sont dans la même zone — mais sur la qualité perçue, la latence et la couverture linguistique.
Pour un auto-hébergeur, la situation est moins réjouissante. Contrairement aux LLM texte, où des modèles ouverts comme DeepSeek V4.1 Flash ou Qwen permettent de tout faire tourner en local, la voix speech-to-speech reste largement fermée : Grok Voice 3.0, GPT-Live-1 et Gemini Live ne se téléchargent pas. Il existe des briques ouvertes — des modèles STT et TTS matures comme Whisper et Piper — mais l’assemblage en un pipeline speech-to-speech à faible latence reste du bricolage plutôt qu’un produit. Le fossé entre la voix cloud et la voix auto-hébergée ne s’est pas refermé ; il s’est creusé avec cette génération.
C’est une donnée à intégrer dans un arbitrage souveraineté contre coût : si votre contrainte est la confidentialité des conversations ou la résidence des données, l’auto-hébergement vocal impose encore un coût d’ingénierie que le marché du cloud vous facture, lui, à la minute. Le calcul n’est pas neutre pour un centre d’appels qui traite des données de santé ou des données bancaires.
Verdict
Si vous exploitez un centre d’appels ou un support à fort volume, testez Grok Voice 3.0 sur vos scénarios de tickets simples — réservation, vérification d’identité, diagnostic de premier niveau — et mesurez le taux de résolution sans humain sur vos données, pas sur celles d’xAI. Si vous avez besoin d’un raisonnement vocal de pointe ou d’une voix multilingue fine, mettez-le en concurrence avec GPT-Live-1 et Gemini Live sur un banc d’essai interne. Dans les deux cas, gardez un humain dans la boucle pour les cas d’escalade : le seuil de 70 % de résolution sans humain chez Starlink laisse encore 30 % de conversations où la supervision compte.