Grok Voice 3.0 contre GPT-Live-1 : xAI a remporté l’Index et perdu le test qui compte

Deux fleurons, à 3,7 points d'écart sur l'indice Speech to Speech d'Artificial Analysis, et tous deux battus sur l'unique composante qui détermine si un agent vocal vaut la peine d'être déployé. Grok Voice 3.0 affiche 86,9 sur l'indice que SpaceXAI a annoncé le 14 octobre 2026, contre 83,2 pour GPT-Live-1 dans sa configuration Astra medium, la version vers laquelle la documentation d'OpenAI oriente une intégration WebRTC lorsqu'une session délègue le raisonnement à un backend. Sur τ-Voice — le benchmark de service client qui évalue si un agent accomplit réellement une tâche à plusieurs étapes — Grok Voice 3.0 atteint 71,6 % et GPT-Live-1 Astra medium atteint 74,5 %. Le modèle au meilleur score composite de la catégorie ne détient pas la composante qui corrèle avec la réalisation du travail, et OpenAI n'a pas non plus publié de gros titre à ce sujet.

Le deuxième point digne d’attention est la direction du prix. GPT-Live-1 facture 0,05 $ par minute de voix, facturé à la seconde, soit 3,00 $ l’heure. Grok Voice 3.0 facture 0,08 $ par minute, soit 4,80 $ l’heure. Le modèle le plus récent coûte 60 % de plus par minute d’audio, et c’est le modèle dont le fournisseur a passé le dernier trimestre de l’existence de son prédécesseur à absorber une hausse de tarif plutôt qu’à annoncer une baisse.

La division architecturale que personne ne met sur le tableau comparatif

Ni l'un ni l'autre n'est un modèle vocal qui réfléchit. Tous deux sont des couches vocales qui délèguent, et les deux conceptions de la délégation ne sont pas de la même espèce — c'est pourquoi le coût d'intégration diffère bien plus que le prix à la minute.

GPT-Live-1 transmet le travail au-delà d'une frontière asynchrone à un backend nommé dans la configuration de la session. L'exemple WebRTC publié par O​penAI relie ce backend à GPT-5.6 Terra via l'API Responses. La couche vocale maintient la conversation en cours pendant que le backend réfléchit, puis réinjecte la réponse lorsqu'elle arrive. La conséquence, c'est que la moitié « raisonnement » est un appel texte ordinaire facturé au token, que vous choisissez, tarifez et remplacez indépendamment. La moitié « voix », elle, n'est pas portable du tout : un seul ID de modèle, gpt-live-1, un seul point de terminaison à v1/live/sessions, WebRTC plutôt que le transport WebSocket sur lequel la plupart des intégrations Realtime ont été bâties, et aucun chemin via Chat Completions, Responses, Batch ou les points de terminaison d'affinage. Les limites de débit sont exprimées en sessions simultanées — 25 au Tier 1, puis 50, 200, 300 et 500 — ce qui vous dit qu'O​penAI considère que l'unité d'échelle est une ligne téléphonique plutôt qu'une requête.

Grok Voice 3.0 est plus restreint et moins coûteux à adopter. Il s'exécute sur le même point de terminaison WebSocket temps réel que Grok Voice 2.0, avec les mêmes paramètres de session, les mêmes noms d'événements et la même poignée de main par jeton bearer, et l'utilisation des outils passe par un tableau tools dans la mise à jour de session comme auparavant. Il n'y a pas de migration de transport. Il n'existe pas non plus de schéma documenté de délégation backend du type de celui que publie GPT-Live-1, ce qui signifie que le raisonnement dont vous avez besoin doit être accessible en tant qu'outil que le modèle vocal appelle de manière synchrone plutôt qu'en tant que tâche d'arrière-plan qu'il supervise.

Cette différence détermine plus de déploiements que l’index ne le fait. Une équipe déjà sur l’API temps réel de xAI passe à Grok Voice 3.0 en changeant une chaîne de modèle — ou en ne faisant rien, car grok-voice-latest pointe désormais vers lui et les déploiements d’alias existants ont été migrés automatiquement. Une équipe utilisant les anciens modèles Realtime d’OpenAI et passant à GPT-Live-1 doit s’attendre à une réécriture du transport plus une réécriture de la délégation.

Ligne par ligne

Chaque chiffre ci-dessous est une mesure propre à Artificial Analysis datée du 13 octobre 2026, sauf indication contraire sur la ligne.

• Indice Speech to Speech — Grok Voice 3.0 86,9 vs GPT-Live-1 (Astra, medium) 83,2. Il existe également une configuration GPT-Live-1 inférieure, mesurée à 80,1 dans sa variante Sol low-effort, et l'écart de l'indice dépend entièrement de celle dont vous parlez.

• Performance agentique, τ-Voice — GPT-Live-1 Astra medium 74,5 % contre Grok Voice 3.0 71,6 %. OpenAI est en tête sur ce point, et l’est sur le composant qui prédit si le problème d’un appelant est résolu.

• Raisonnement vocal, Big Bench Audio — Grok Voice 3.0 98,5 % contre GPT-Live-1 Astra medium, qui se situe dans la même fourchette. Les deux sont assez proches du plafond pour que cet axe ne départage plus personne.

• Préférence de l’arène — Grok Voice 3.0 détient le meilleur Elo du classement, à 1070. GPT-Live-1 ne détient l’arène dans aucune configuration.

• Délai jusqu’au premier audio — Grok Voice 3.0 0,81 seconde contre GPT-Live-1 Astra medium à 1,34 seconde. Environ 40 % plus rapide pour commencer à parler, et l’allégation de performance la plus concrète avancée par l’un ou l’autre des fournisseurs.

• Coût par tâche terminée, Big Bench Audio — Grok Voice 3.0 0,025 $ vs GPT-Live-1 Astra medium 0,030 $. Un faible coût et une grande précision par tâche : c’est la combinaison qui met fin aux débats sur les achats.

• Prix par minute d'audio — GPT-Live-1 0,05 $, facturé à la seconde, sans arrondi supérieur des minutes partielles et avec des frais d'initialisation de session de 15 secondes qui sont crédités sur la durée ultérieure plutôt que cumulés en plus ; Grok Voice 3.0 0,08 $ par minute plus 0,004 $ par entrée de texte.

• Entrée multimodale — GPT-Live-1 prend en charge l’audio et le texte, et sa documentation indique que l’image et la vidéo ne sont explicitement pas prises en charge ; Grok Voice 3.0 n’a pas non plus d’ancrage visuel. Aucun de ces deux modèles ne peut voir, et aucun des deux fournisseurs n’a publié de date pour changer cela.

• Voix — GPT-Live-1 en propose 12 ; Grok Voice 3.0 conserve l’ensemble intégré de xAI et le point de terminaison de voix personnalisée qui entraîne une voix à partir d’un extrait de référence pouvant aller jusqu’à 120 secondes.

La facture, pour une charge de travail que vous pouvez imaginer

Dix mille minutes de conversation par jour sur trente jours, cela fait 300 000 minutes par mois.

• GPT-Live-1 — 0,05 $ par minute de voix, soit 15 000 $ par mois pour la seule couche vocale.

• Grok Voice 3.0 — 0,08 $ par minute, soit 24 000 $ par mois, plus 0,004 $ par saisie de texte.

Ces deux montants ne représentent que la moitié « voix ». Le raisonnement backend de GPT-Live-1, ses appels d’outils et toute recherche web sont facturés séparément aux tarifs propres au modèle backend, et une session orientée vers un raisonneur de pointe qui effectue une recherche à chaque tour peut coûter plus cher en délégation qu’en audio. Les appels d’outils synchrones de Grok Voice 3.0 s’exécutent sur le backend qui y répond, quel qu’il soit, selon la même règle. Dans les deux cas, le « prix du modèle vocal » ne représente qu’une fraction de l’appel, et cette fraction dépend de l’effort de réflexion de vos appelants.

C'est la couche où un routeur est réellement utile, et il vaut mieux être précis sur la frontière. OrcaRouter ne sert aucun des deux points de terminaison en temps réel — gpt-live-1 vit derrière l'API Live Sessions d'O​penAI et Grok Voice 3.0 derrière celle de xAI, et rien ne peut s'interposer sur une session audio duplex qui appartient à un seul fournisseur. Ce que nous opérons, c'est la partie délégation. GPT-5.6 Terra, le backend exact dans l'exemple publié par O​penAI lui-même, est servi via OrcaRouter au prix catalogue d'O​penAI de 2,00 $ par million de tokens en entrée et 12,00 $ par million en sortie, avec les points de terminaison chat et Responses exposés, aux côtés de plus de 200 autres modèles sur une seule clé, au prix catalogue du fournisseur sans marge et un basculement automatique en cas de dégradation d'un fournisseur. Parce que rien n'est majoré, une baisse de prix d'un fournisseur sur le palier de raisonnement est effective de notre côté le jour même — ce qui compte dans une catégorie où un modèle phare a augmenté son tarif à la minute de 60 % en trois mois, tandis qu'un autre l'a maintenu.

Ce que chaque fournisseur affirme qu’aucun conseil ne couvre

Les deux fournisseurs publient des chiffres sur leur propre trafic de production. Aucun des deux n’est vérifiable de manière indépendante, et la façon honnête de les interpréter est d’y voir une preuve de confiance plutôt que de capacité.

Les chiffres d'OpenAI, publiés avec la sortie de l'API et reproduits par personne : interactivité en duplex intégral à 80,1 % contre 45,4 % pour GPT-Realtime-2.1, latence de prise de parole réduite de 1,4 seconde à 0,8, précision d'appel d'outils de 60 % à 87 %. Yelp est cité pour l'amélioration du traitement des réservations par téléphone, et la plateforme d'apprentissage des langues Speak a signalé près de 80 % d'interruptions en moins qu'avec son précédent système à tour de rôle — auto-déclaré par une entreprise ayant un intérêt dans le résultat, et toujours le chiffre de déploiement le plus concret de la publication.

Les chiffres de SpaceXAI, publiés avec son lancement et tout aussi non reproduits : Grok Voice 3.0 alimente des millions de conversations quotidiennes dans les véhicules Tesla et chez SpaceX, les centres d'appels Starlink traitent 20 000 appels clients par jour en plusieurs langues, avec environ 70 % résolus sans intervention humaine et environ un appel de vente sur quatre aboutissant à un achat, et un taux arrondi de 74 % sur l'EVA-Bench de ServiceNow. Considérez le taux de containment comme un chiffre au niveau système déguisé en chiffre de niveau modèle — il reflète autant la conception des prompts, la récupération et la politique d'escalade que le modèle, et aucun tiers extérieur ne peut les dissocier.

Lequel choisir au final ?

Choisissez Grok Voice 3.0 lorsque la latence est la contrainte et que la stack est déjà sur xAI. Un délai jusqu'au premier audio de 0,81 seconde est le chiffre publié le plus rapide parmi les modèles vocaux de pointe, le passage par WebSocket évite toute réécriture du transport, et le coût de migration se résume à une chaîne de modèle. Choisissez-le aussi si vos appelants jugent l'expérience plutôt que le résultat : il domine l'arène sur la préférence et le composite sur la qualité, et un appelant qui apprécie la conversation raccroche plus heureux, même lorsque la tâche se corse.

Choisissez GPT-Live-1 lorsque la tâche est le produit. Il devance τ-Voice avec 74,5 % contre 71,6 %, son modèle de délégation est documenté et son backend de raisonnement est un appel portable mesuré en jetons plutôt qu'un outil opaque, et par tâche terminée, il est compétitif en termes de coût malgré l'écart d'indice. Choisissez-le aussi si vous partez de zéro et n'avez aucune intégration WebSocket à préserver, car l'histoire du transport ne joue contre vous que lorsque vous en avez déjà une.

La seule réponse à rejeter, c’est de s’en prendre au composite. Un écart de 3,7 points sur l’indice et un écart de 2,9 points sur τ-Voice vont dans des directions opposées, et la différence de coût pointe dans une troisième — GPT-Live-1 est 37,5 % moins cher par minute d’audio avant même de compter l’entrée de texte. Quiconque choisit entre ces deux-là sur 86,9 contre 83,2 se base sur le chiffre le moins lié au fait que sa ligne téléphonique fonctionne.

Ce qui trancherait la question : un engagement de disponibilité générale et un chiffre de latence publié par O​penAI pour la configuration Astra qui occupe la première place du classement, puisque la comparaison 0,81 contre 1,34 repose actuellement sur le chiffre de xAI face à une configuration que les documents d’O​penAI eux-mêmes traitent comme un exemple ; ou un mouvement de prix d’un côté ou de l’autre. La grille tarifaire est la seule partie de cette confrontation qui a déjà bougé par le passé, et elle a bougé à la hausse.

C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance apparaissent : les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.