xAI présente Grok Voice 3.0, un modèle de conversion de la parole en parole destiné aux agents vocaux

xAI a annoncé Grok Voice 3.0 le 14 octobre 2026 et a rendu ce modèle de conversion de la parole en parole accessible dans son API Voice Agent au tarif de 0,08 $ par minute. L’entreprise a décrit Grok Voice 3.0 comme le modèle vocal le plus intelligent au monde et a déclaré qu’il établissait un nouveau record pour la résolution des appels au service client, avec une latence inférieure à une seconde et un coût d’exploitation inférieur à celui des autres modèles de pointe.

Selon xAI, Grok Voice alimente des millions de conversations par jour chez Tesla et SpaceX, et la nouvelle version a été lancée au même prix que la précédente.

Résultats des évaluations cités par xAI

Dans son annonce, xAI a cité des tests indépendants menés par Artificial Analysis, datés du 13 octobre 2026, selon lesquels Grok Voice 3.0 arrive en tête du Speech-to-Speech Index avec un score de 86,9. Le tableau comparatif publié avec l’annonce classe GPT-Live-1 (Astra, Medium) à 83,2, Gemini 3.8 Live (Extended Thinking, High) à 82,6 et Grok Voice 2.0 à 81,3.

Pour les différentes composantes de l’indice, xAI a indiqué un score de 98,5 % en raisonnement vocal sur Big Bench Audio, un Elo de préférence de 1070 dans Speech Agent Arena, un taux de réussite des tâches de 94,8 % et un score de 97,0 % sur Full Duplex Bench, qui évalue la capacité d’un modèle à gérer naturellement les pauses, les tours de parole et les interruptions. Dans le même tableau, les chiffres indiqués pour Grok Voice 2.0 étaient respectivement de 97,2 %, 1011, 94,6 % et 95,1 %.

Sur tau-Voice, une évaluation fondée sur des appels simulés au service client, xAI a annoncé un score de 71,6 % pour Grok Voice 3.0 et décrit ce résultat comme comparable à celui de GPT-Live-1 (Astra), avec une latence inférieure de 40 %. Le graphique publié indique un score de 74,5 % pour GPT-Live-1 (Astra, Medium), de 68,6 % pour Gemini 3.8 Live (Extended Thinking, High) et de 56,5 % pour Grok Voice 2.0.

xAI a également indiqué qu’Artificial Analysis avait mesuré, lors de son test Big Bench Audio, un coût moyen par tâche de 0,025 $ pour Grok Voice 3.0, contre 0,030 $ pour GPT-Live-1 (Astra, Medium) et 0,055 $ pour GPT-Realtime-2.1 (High).

Comment Artificial Analysis évalue les modèles vocaux

Artificial Analysis définit son Speech-to-Speech Index comme un score pondéré à parts égales entre quatre composantes : le raisonnement vocal mesuré par Big Bench Audio, les performances agentiques évaluées par tau-Voice, la préférence mesurée en arène et le taux de réussite des tâches. Un modèle doit obtenir des résultats dans les quatre composantes pour recevoir un score à l’indice.

Big Bench Audio comprend 1 000 questions audio adaptées de Big Bench Hard, réparties à parts égales entre quatre catégories, avec 250 questions chacune : Formal Fallacies, Navigate, Object Counting et Web of Lies. Les modèles reçoivent chaque question sous forme audio et génèrent une réponse audio, évaluée comme correcte ou incorrecte.

Dans tau-Voice, un simulateur vocal d’utilisateur appelle le modèle testé, qui joue le rôle d’un agent du service client ayant accès à des outils propres à son domaine et à un document de politique. Chaque tâche correspond à un seul état final valide de la base de données ; l’évaluation compare l’état final à cette vérité de référence, et les résultats présentés sous forme de graphique sont calculés en moyenne sur trois essais, lorsque ces essais sont disponibles. La composante de préférence en arène repose sur un classement Elo par paires, établi à partir de participants humains qui effectuent le même scénario avec deux modèles non identifiés.

Full Duplex Bench v1 évalue la gestion des pauses et des tours de parole ; la version v1.5 ajoute la gestion des interruptions de l’utilisateur et des réactions d’accompagnement, par exemple la capacité à poursuivre correctement lorsqu’un appelant répond « ouais » ou « d’accord ». Artificial Analysis définit le délai avant le premier son comme le nombre de secondes nécessaires pour générer le premier jeton de sortie audio.

Résultats de ServiceNow sur EVA-Bench

xAI a indiqué que Grok Voice 3.0 avait obtenu le meilleur score de précision sur EVA-Bench, l’évaluation de ServiceNow consacrée aux agents vocaux d’entreprise, avec 74 %, et qu’il était le modèle le plus performant lorsque la précision et l’expérience client étaient évaluées conjointement.

Nitin Aggarwal, directeur principal de la gestion des produits pour Agentic Evals et RAI chez ServiceNow, a déclaré dans un communiqué publié avec l’annonce que Grok Voice 3.0 « établit une nouvelle frontière de Pareto sur EVA-Bench, l’évaluation open source de ServiceNow qui mesure la précision et la qualité de l’expérience des agents vocaux dans plus de 200 scénarios d’entreprise réalistes ».

ServiceNow AI Research présente EVA-Bench comme un cadre d’évaluation open source qui mesure les agents vocaux au moyen de conversations orales complètes à plusieurs tours, selon une architecture de bot à bot. L’évaluation couvre trois domaines : le service client, avec 15 outils et 50 scénarios portant sur la reprogrammation de vols perturbés, les changements volontaires, les annulations et les bons d’achat ; la gestion des services informatiques, avec 59 outils et 80 scénarios ; et les ressources humaines, avec 47 outils et 83 scénarios portant sur les avantages sociaux, la planification, les congés et les questions relatives aux politiques. Les agents sont évalués selon deux dimensions : EVA-A, qui mesure si l’agent a correctement accompli la tâche, et EVA-X, qui mesure la qualité de l’expérience conversationnelle. EVA-Bench fait partie de la suite d’évaluations NOWAI-Bench de ServiceNow.

Déploiement chez Tesla et Starlink

Selon xAI, Grok Voice 3.0 gère des millions de conversations par jour dans les véhicules Tesla. Les conducteurs peuvent utiliser Connectors, en mode mains libres, pour des demandes telles que consulter un calendrier ou répondre à un e-mail, et Grok Bot pour des tâches plus complexes, comme commander un café ou réserver un dîner. Le modèle alimente également le mode vocal de Grok Bot.

Selon xAI, les centres d’appels de Starlink utilisent Grok Voice pour répondre chaque jour à 20 000 appels de clients dans plusieurs langues. Environ 70 % des appels sont résolus sans intervention humaine, et un appel commercial sur quatre aboutit à un achat avant que l’appelant ne raccroche. Un seul agent basé sur Grok Voice 3.0 vérifie l’identité des clients, dépanne le matériel, accorde des crédits et expédie du matériel de remplacement.

Tarifs et disponibilité

Grok Voice 3.0 est disponible dans l’API Voice Agent au tarif de 0,08 $ la minute, soit 4,80 $ l’heure, le même prix que Grok Voice 2.0. Les agents utilisant grok-voice-latest ont été transférés automatiquement vers la nouvelle version, sans aucune modification nécessaire, a indiqué xAI.