Grok Voice 3.0 arrive en tête de l'indice Speech to Speech avec 86,9 — et cède le record de latence.

Le chiffre que tout le monde citera est 86,9. C'est là que Grok Voice 3.0 s'est hissé sur l'indice Speech-to-Speech d'Artificial Analysis lorsque le classement a été recalculé le 13 octobre 2026, avec cinq points et demi d'avance sur le modèle qu'il remplace, Grok Voice 2.0, qui se situait à 81,3. Il devance également GPT-Live-1 dans sa configuration Astra medium à 83,2 et Gemini 3.8 Live Extended Thinking à 82,6, ce qui en fait le premier modèle vocal de xAI à occuper seul la première ligne plutôt qu'à la partager. SpaceXAI l'a annoncé le 14 octobre, le jour même où les notes de version de l'API ont changé, et au même prix par minute que le modèle qu'il remplace.

Le chiffre que personne ne citera, parce que xAI ne l'a pas mis dans le titre, est 0,70. C'est le délai avant le premier son de Grok Voice 2.0, en secondes, et il est plus rapide que le 0,81 de Grok Voice 3.0. L'entreprise qui a passé un an à vendre une alternance des tours de parole sous la seconde propose désormais un produit phare qui commence à parler 0,11 seconde plus tard que son propre modèle sortant. Il reste environ 40 % plus rapide à démarrer que la configuration GPT-Live-1 mesurée par Artificial Analysis à 1,34 seconde, donc l'argument marketing survit à une lecture directe. Il ne survit tout simplement pas à une comparaison avec la version précédente.

Ce qui a réellement été livré, et ce que cela coûte

Grok Voice 3.0 est un modèle parole-à-parole servi via le même point de terminaison WebSocket en temps réel que son prédécesseur, avec les mêmes paramètres de session et les mêmes noms d’événements. Il n’y a pas de nouveau SDK ni de document de migration, car il n’y a rien à migrer. La chaîne de modèle a changé et le comportement qui la sous-tend a changé.

• Prix — 0,08 $ par minute d’audio, soit 4,80 $ par heure, plus 0,004 $ par entrée de texte. Identique à Grok Voice 2.0. Il s’agit d’une mise à jour de capacités à prix constant, et non d’une révision tarifaire.

• Comportement des alias — grok-voice-latest pointe désormais vers grok-voice-3.0. Tous ceux qui avaient déployé en s'appuyant sur l'alias ont été basculés automatiquement vers le nouveau modèle, sans modification du code et sans épinglage de version.

• Obsolescence — grok-voice-2.0 est signalé comme obsolète. La procédure de mise à niveau documentée par xAI consiste à définir le champ model sur grok-voice-3.0 ou à laisser l'alias en place.

• Point de terminaison et authentification — inchangés. Même URL temps réel, même poignée de main par jeton Bearer, mêmes jetons éphémères à courte durée de vie pour les connexions côté client.

• Voix — l’ensemble de voix intégrées et le point de terminaison des voix personnalisées sont inchangés ; les voix personnalisées sont entraînées à partir d’un extrait de référence allant jusqu’à 120 secondes, et le voice_id obtenu fonctionne avec l’API temps réel et la synthèse vocale en streaming.

Cette dernière liste est la raison pour laquelle le changement d'alias compte plus qu'il n'y paraît. Grok Voice 2.0 n'a été désigné comme cible de l'alias que le 5 août 2026 — environ dix semaines avant cette version. Une équipe qui a développé contre grok-voice-latest en août a désormais connu deux remplacements silencieux de modèle en un seul trimestre, ce qui est une bonne propriété pour une expérience de chatbot et une moins bonne pour un système téléphonique dont la suite de régression a été écrite en fonction du timing d'une voix spécifique.

L'index, composant par composant

Les indices composites masquent l’argument, il vaut donc la peine de décortiquer Grok Voice 3.0. Chaque chiffre ci-dessous provient des propres tests d’Artificial Analysis, datés du 13 octobre 2026.

• Raisonnement vocal, Big Bench Audio — 98,5 %, contre 97,2 % pour Grok Voice 2.0.

• Dynamique conversationnelle, Full Duplex Bench — 97,0 %, contre 95,1 % auparavant.

• Préférence pour Speech Agent Arena — Elo 1070, en hausse depuis 1011, et le plus élevé du classement.

• Réussite des tâches — 94,8 %, contre 94,6 % auparavant. Il s’agit de la plus faible variation des cinq et il convient de le noter comme tel : sur la simple réussite des tâches, les deux modèles sont, du point de vue de la mesure, le même modèle.

• Performance agentique, τ-Voice — 71,6 %, contre 56,5 % auparavant. Il s’agit de la plus importante progression ponctuelle de cette version, un bond de 15 points sur le seul composant qui mesure si un agent peut réellement mener à bien une tâche multi-tours plutôt que de simplement sembler compétent en la réalisant.

• Délai avant le premier audio — 0,81 seconde, contre 0,70 pour Grok Voice 2.0.

Lire ces éléments ensemble raconte une histoire plus utile que ne le fait le composite. Le gain de 5,6 points de l'indice n'est pas réparti uniformément : il tient presque entièrement à la performance agentique et à la préférence dans les arènes, tandis que le raisonnement et la gestion du duplex progressent légèrement et que la réussite brute des tâches reste stable. Grok Voice 3.0 est un meilleur agent, pas un meilleur interlocuteur. Si votre produit vocal est une ligne d'assistance qui prend des rendez-vous et vérifie le statut des commandes, c'est précisément le delta que vous voulez. S'il s'agit d'un compagnon ou d'une interface de jeu de rôle, le gain d'indice est largement hors sujet, et vous avez payé une pénalité de latence pour cela.

Le seul test où le leader n’est pas le leader

τ-Voice est le composant dont xAI devrait parler, et celui sur lequel il est encore à la traîne. À 71,6 %, Grok Voice 3.0 progresse énormément par rapport aux 56,5 % de son prédécesseur — et reste derrière GPT-Live-1 configuré avec Astra en raisonnement moyen, qu'Artificial Analysis situe à 74,5 %. Gemini 3.8 Live se situe à 68,6 % sur le même test.

Donc la configuration de la catégorie après cette sortie est la suivante : xAI détient le composite et l'arène ; OpenAI détient le test de complétion de tâches agentiques ; Google ne détient ni l'un ni l'autre et est moins cher que les deux. Aucune de ces trois affirmations ne contredit les autres, et tout article qui ne rapporte que la première présente un classement plutôt qu'un résultat.

Le fournisseur affirme qu'aucune carte ne couvre

Les affirmations de performance s'accompagnent d'une deuxième couche de chiffres qu'Artificial Analysis ne mesure pas et ne peut pas mesurer, car ils décrivent le trafic de production au sein des propres produits d'une entreprise. Ce sont les chiffres de xAI, rapportés par xAI, sans vérification indépendante disponible et sans qu'aucune ne soit probable :

• Tesla — On dit que Grok Voice alimente des millions de conversations par jour dans les véhicules, gérant les actions de calendrier et d'e-mail via des connecteurs et la commande de nourriture via le mode vocal de Grok Bot.

• Support Starlink — 20 000 appels clients par jour dans plusieurs langues, avec environ 70 % résolus sans intervention humaine et environ un appel de vente sur quatre aboutissant à un achat. Le même agent est décrit comme prenant en charge la vérification d’identité, le dépannage matériel, les crédits de compte et les expéditions de remplacement dans un seul flux.

• ServiceNow EVA-Bench — un taux de précision arrondi de 74 %, annoncé comme le plus élevé sur ce benchmark et le meilleur lorsque la précision et l’expérience client sont évaluées conjointement. EVA-Bench couvre le service client avec 15 outils et 50 scénarios, la gestion des services informatiques avec 59 outils et 80 scénarios, et les RH avec 47 outils et 83 scénarios.

Traitez les deux premiers comme une description d’intention plutôt que comme une preuve. Ils constituent la preuve la plus solide possible qu’un modèle vocal fonctionne — une entreprise qui fait passer ses propres appels générateurs de revenus par son intermédiaire a des intérêts directs en jeu — et, en même temps, la preuve la plus faible possible pour un lecteur, car rien de tout cela n’est auditable de l’extérieur et rien de tout cela ne distingue le modèle des prompts, de la récupération et de la politique d’escalade qui l’entourent. Le chiffre de 70 % de containment en particulier est un chiffre de niveau système déguisé en chiffre de niveau modèle.

Ce qu'un prix qui n'a pas bougé vous dit

Maintenir le tarif à 0,08 $ par minute est l’élément le plus intéressant sur le plan stratégique de cette annonce. La lecture évidente est celle d’une pression concurrentielle : Google a passé l’année à positionner Gemini Live comme l’option bon marché de cette catégorie, et la génération précédente de la gamme vocale de xAI avait déjà absorbé une hausse de tarif de 60 % lorsque la gamme Think Fast est passée de 3,00 $ à 4,80 $ par heure. Augmenter de nouveau le tarif du produit phare n’était pas envisageable.

L’effet de second ordre concerne tous ceux qui modélisent les coûts. La mesure par tâche d’Artificial Analysis situe Grok Voice 3.0 à 0,025 $ pour accomplir une tâche Big Bench Audio, contre 0,030 $ pour GPT-Live-1 Astra medium et 0,055 $ pour GPT-Realtime-2.1 High. Moins cher par tâche et plus précis par tâche, voilà la combinaison qui met fin aux débats d’approvisionnement, et c’est la première fois dans cette catégorie qu’un seul modèle tient les deux extrémités.

La place qu'occupe une couche de routage dans ce tableau est plus étroite qu'il n'y paraît, et il vaut la peine d'être précis. OrcaRouter ne sert pas le point de terminaison temps réel Grok Voice 3.0 — celui-ci provient de l'API propre à xAI, tout comme l'équivalent Gemini Live et GPT-Live-1. Ce que nous exploitons, nous, c'est le volet texte : plus de 200 modèles de langage derrière une seule clé, au prix catalogue du fournisseur et sans aucune marge, et c'est là que résident généralement le nettoyage de la transcription, la synthèse après l'appel, la classification d'une transcription en code de disposition et la logique d'appel d'outils que le modèle vocal délègue. Ce sont des modèles ordinaires facturés à la requête, ils correspondent exactement à la charge de travail pour laquelle un routeur est conçu, et comme le prix catalogue est répercuté sans changement, toute baisse de prix d'un fournisseur sur l'un d'eux est effective de notre côté le jour même plutôt qu'à votre prochain renouvellement.

Qu’est-ce qui n’est toujours pas mesuré ?

Trois choses, et ce sont elles qui devraient déterminer si vous déménagez maintenant ou si vous épinglez.

Le premier point est la stabilité sur les sessions longues. Tous les chiffres ci-dessus proviennent d’interactions courtes et notées. Rien de ce qui a été publié ne couvre ce qu’un appel de 20 minutes fait aux taux d’erreur, et le mode de défaillance intéressant pour un modèle duplex — une dérive cumulative, ou une politique de gestion des tours de parole qui se dégrade en cas d’interruption — n’apparaît qu’au fil des minutes, et non des tours de parole.

La seconde est l’affirmation relative au canal bruité. La génération précédente de xAI a été commercialisée sur la base du taux d’erreur sur les mots dans des conditions téléphoniques, et c’est l’affirmation la plus falsifiable de tout le lancement. N’importe qui disposant d’un corpus d’enregistrements d’appels et d’un après-midi peut le vérifier.

Le troisième point est de savoir si le chiffre de 0,81 seconde tient sous charge. Le temps jusqu’au premier son est mesuré sur un système au repos. La production n’est pas un système au repos.

En attendant que ces éléments arrivent, le résumé honnête de Grok Voice 3.0 est le suivant : c'est le meilleur modèle vocal du classement public, avec une avance réelle mais concentrée sur une seule dimension ; il coûte le même prix que le modèle qu'il remplace ; il est plus lent à commencer à parler que ce modèle ; et il a migré tous les déploiements existants de grok-voice-latest vers lui-même sans demander. Les trois premiers points sont des raisons de le tester. Le quatrième est une raison d'avoir une version épinglée dans votre configuration avant de le faire.

La sortie d'un modèle vocal est aussi le moment de vérifier ce qui a mal tourné auparavant : les incidents d'IA documentés et les défaillances d'agents autour des modèles de cette classe sont recensés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, son niveau de confiance et son indicateur de contestation.