Grok Voice 3.0 vs Grok Voice Think Fast 2.0 : mise à niveau gratuite, gains réels, une régression

Le modèle que Grok Voice 3.0 remplace est le même modèle que vous trouverez sur Artificial Analysis sous un autre nom. Recherchez dans le classement Grok Voice Think Fast 2.0 et vous ne le trouverez pas ; recherchez Grok Voice 2.0 et vous trouverez 81,3, qui est le chiffre rapporté par la couverture de lancement du modèle précédent lui-même pour Think Fast 2.0 sous l'étiquette de configuration « High ». L'API de SpaceXAI appelle l'ID de modèle grok-voice-2.0 et ses notes de version appellent la génération de juillet Grok Voice 2.0, tandis que l'annonce qui l'a introduit utilisait le nom Think Fast. Ainsi, lorsque SpaceXAI a déprécié grok-voice-2.0 le 14 octobre 2026 et a pointé grok-voice-latest vers grok-voice-3.0, elle a retiré le modèle que sa propre ligne de classement et son propre nom marketing décrivent comme deux choses.

La conséquence pratique, c'est qu'une mise à niveau que de nombreuses équipes ont déjà reçue — silencieusement, sans déploiement, parce que l'alias a été déplacé — est plus importante que ne le suggère la confusion de nommage, et plus petite que ne le laisse entendre l'écart d'indice. Les deux modèles facturent 0,08 $ par minute et 0,004 $ par entrée de texte, donc le prix n'a pas changé. L'essentiel de la qualité, si.

Ce que la mise à niveau apporte, composant par composant

Chaque chiffre de cette section provient des propres tests d'Artificial Analysis, datés du 13 octobre 2026 pour Grok Voice 3.0 et issus du même tableau pour la génération sortante.

• Indice Speech to Speech — 86,9 pour Grok Voice 3.0 contre 81,3 pour Grok Voice Think Fast 2.0. Un gain composite de 5,6 points, qui ressemble à un incrément de version tant qu’on ne le décortique pas.

• Performance agentique, τ-Voice — 71,6 % contre 56,5 %. C’est là que se joue réellement cette version. Quinze points de taux de réussite sur des tâches multi-tours font la différence entre un modèle vocal qui gère un appel scénarisé et un qui gère un appel avec des embranchements.

• Préférence dans Speech Agent Arena — Elo 1070 contre 1011. Cinquante-neuf points de préférence humaine, et le score le plus élevé enregistré au classement.

• Dynamique conversationnelle, Full Duplex Bench — 97,0 % contre 95,1 %. Près de deux points sur l'interruption et l'alternance des tours de parole, l'axe même sur lequel cette gamme de modèles a été conçue pour l'emporter.

• Raisonnement vocal, Big Bench Audio — 98,5 % contre 97,2 %. Les deux se situent effectivement au plafond.

• Réussite des tâches — 94,8 % contre 94,6 %. Stable dans la marge de mesure. Si votre évaluation est une requête à tour unique traitée correctement, ces deux modèles obtiennent le même score et la mise à niveau est invisible.

• Temps jusqu’au premier audio — 0,81 seconde pour Grok Voice 3.0 contre 0,70 pour Grok Voice Think Fast 2.0.

• Prix — identique des deux côtés. 0,08 $ par minute, 4,80 $ par heure, plus 0,004 $ par saisie de texte.

La régression, et pourquoi c’est la partie intéressante

Lisez les deux dernières lignes ensemble. Grok Voice Think Fast 2.0 a réduit le délai avant le premier audio de 1,25 seconde — celui de son propre prédécesseur — à 0,70, et xAI a mis ce chiffre en avant avec insistance : c’était le chiffre publié le plus rapide de la catégorie lors de son lancement fin juillet 2026, et il reste plus rapide que tout le reste du tableau. Grok Voice 3.0 en rend 0,11 seconde.

Ce n'est pas un scandale et ce n'est pas un accident. C'est le prix visible du bond de τ-Voice. Tout ce que xAI a ajouté au modèle pour faire passer l'achèvement de tâches multi-tours de 56,5 % à 71,6 % coûte du temps avant la première trame audio, et aucune ingénierie de prompt ne permet de le récupérer, car le retard se trouve à l'intérieur du modèle plutôt que devant lui.

Ce qui mérite d’être dit sans détour, c’est que cela inverse l’argumentaire. Une équipe qui a choisi Think Fast 2.0 l’a fait, dans la plupart des cas, pour le 0,70. Si c’est la raison pour laquelle le modèle figure dans votre stack, son successeur est mesurablement moins bon sur la propriété pour laquelle vous l’avez acheté, et la chose honnête à faire est de mesurer si 0,11 seconde de délai supplémentaire vous coûte plus que ne vous rapportent 15 points de gain d’achèvement des tâches. Dans un déploiement de téléphonie, la réponse n’est évidente dans aucune des deux directions, et elle dépend de l’endroit de votre flux d’appel où l’agent effectue un travail réel.

L'alias a bougé, et ce n'est pas une note de bas de page

grok-voice-2.0 est obsolète depuis la version du 14 octobre, et grok-voice-latest pointe désormais vers grok-voice-3.0. Tous ceux qui ont déployé en utilisant l’alias ont été migrés automatiquement vers le nouveau modèle, sans aucune modification du code et sans rien dans leurs journaux pour l’indiquer.

Replacez cela dans la chronologie, et cela devient un schéma plutôt qu’un incident. Le 5 août 2026 — environ dix semaines avant cette sortie — grok-voice-latest a été pointé vers le modèle désormais appelé Think Fast 2.0, et les développeurs qui voulaient rester sur la génération précédente devaient épingler un ID de modèle versionné avant cette date, sinon absorber le changement. Cela fait deux substitutions silencieuses en un seul trimestre, chacune modifiant les caractéristiques de latence de plus d’un dixième de seconde, sans manifeste de version ni fenêtre de dépréciation annoncée à l’avance.

Pour un chatbot, c’est très bien. Pour un système téléphonique avec une suite de tests de régression écrite en fonction du timing d’une voix spécifique, ou un SLA qui stipule une latence d’interaction, cela signifie que l’alias n’est pas l’abstraction qu’il semble être. En production, épinglez l’ID versionné et considérez grok-voice-latest comme une commodité de préproduction plutôt qu’une cible de déploiement.

Ce qui n'a pas changé, et une chose qui perdure

La mise à niveau s’apparente à un remplacement direct, et il vaut la peine d’être précis sur les raisons, car l’alternative — GPT-Live-1, par exemple — exige une réécriture WebRTC du transport audio et un schéma de délégation qui n’a pas d’équivalent ici. Grok Voice 3.0 conserve le même point de terminaison WebSocket temps réel, les mêmes paramètres session.update, les mêmes noms d’événements, la même poignée de main par jeton bearer et les mêmes jetons éphémères de courte durée pour les connexions côté client. Les voix sont inchangées, et le point de terminaison de voix personnalisée qui entraîne une voix à partir d’un clip de référence allant jusqu’à 120 secondes produit des identifiants qui fonctionnent avec l’API temps réel et la synthèse vocale en streaming exactement comme avant.

Ce qui est reconduit plutôt que d’être amélioré, ce sont les preuves concernant la transcription. La génération précédente a fait l’objet d’un marketing intensif axé sur le taux d’erreur de mots — xAI a déclaré avoir évalué des milliers de phrases courtes dans 24 langues et constaté un taux d’erreur 1,5 à 2,0 fois inférieur à celui de modèles de transcription vocale dédiés, notamment Deepgram Nova 3 et ElevenLabs Scribe v2, 1,4 fois inférieur à celui de son propre prédécesseur, et environ 10 fois inférieur dans des conditions bruitées, avec bruit de fond et compression téléphonique. Ce sont des chiffres de fournisseur, qui n’ont jamais été reproduits de manière indépendante. Le matériel de lancement de Grok Voice 3.0 ne les reprend pas, ce qui n’est ni une confirmation ni une rétractation. Si la précision en canal bruité est déterminante pour votre déploiement, c’est l’une des rares choses que vous devez retester vous-même plutôt que de la lire sur un tableau d’affichage.

Essayer le nouveau sans miser la ligne téléphonique dessus.

La raison pour laquelle un épinglage de version coûte si peu ici, c’est que rien dans Grok Voice 3.0 n’est difficile à mettre en place côte à côte — et la raison pour laquelle un routeur vaut la peine d’être présent dans cette pile n’est pas la couche audio, qui appartient à xAI seul, mais tout ce que la couche audio appelle.

OrcaRouter ne sert pas le point de terminaison temps réel Grok Voice, et ne le pourrait pas ; un WebSocket audio duplex est une surface propre à un seul fournisseur. Ce que nous exploitons, c'est la couche texte que le modèle vocal sollicite. Un déploiement vocal, c'est un modèle vocal plus un classificateur, un module de synthèse, une étape de récupération et un backend d'appel d'outils, et cette moitié-là relève de l'inférence ordinaire facturée à la requête : plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans aucune marge, si bien qu'une baisse de prix d'un fournisseur, où qu'elle survienne dans cette couche, se répercute chez nous le jour même plutôt qu'au renouvellement ; le basculement automatique en cas de dégradation d'un fournisseur, ce qui, pour un appel en direct, fait la différence entre une recherche relancée et un appelant perdu ; et un DSL de routage qui vous permet de composer plusieurs modèles en un seul appel et de changer la combinaison sur le trafic en direct sans toucher au chemin audio.

C’est cette structure qui rend l’épinglage peu coûteux. Gardez grok-voice-2.0 en production, faites pointer un second environnement vers grok-voice-3.0, et laissez les mêmes modèles backend répondre aux deux — la comparaison mesure alors la seule variable que vous avez réellement modifiée, et le chemin de code sous-jacent est identique dans les deux sens.

Le verdict, en une ligne pour chacun

Passez à la version supérieure si votre agent fait du travail plutôt que de tenir une conversation. Quinze points de τ-Voice et 59 points de préférence d’arène à prix constant, c’est l’échange le plus évident où l’on obtient de la valeur pour rien dans cette catégorie cette année, et rien dans l’intégration n’a besoin de bouger pour cela.

Épinglez et testez d'abord si tout votre argumentaire en faveur de la ligne vocale de xAI reposait sur le démarrage de 0,70 seconde. Cette propriété est désormais de 0,81, le modèle qui l'a battue tourne toujours, et il est déprécié plutôt que supprimé.

Ne tenez pas compte du nom. Grok Voice Think Fast 2.0, Grok Voice 2.0 et l'identifiant d'API grok-voice-2.0 désignent tous la même génération, et si vous avez consulté un classement qui ne répertorie qu'un seul de ces noms, vous avez lu le bon chiffre sous une étiquette que votre propre fichier de configuration n'utilise pas.

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.