Grok Voice 3.0 : comment lire les chiffres annoncés pour un agent vocal

Grok Voice 3.0 est un modèle dit « parole à parole » : il reçoit la voix de l'appelant et produit directement une réponse parlée. xAI le rend disponible dans son API d'agents vocaux, c'est-à-dire une brique destinée aux développeurs qui construisent leur propre service, et non un standard téléphonique prêt à l'emploi.

L'éditeur annonce un prix de 0,08 dollar par minute, soit 4,80 dollars par heure, identique à celui de la version précédente. Sur sa grille tarifaire, Grok Voice 2.0 est désormais marqué comme obsolète. xAI revendique aussi une latence « inférieure à une seconde », sans valeur chiffrée plus précise dans le texte de l'annonce.

xAI met en avant une première place au classement parole à parole d'Artificial Analysis, avec un score de 86,9. Il cite aussi un test appelé τ-Voice, qui mesure, selon sa description, la capacité d'un agent à traiter des appels de support avec des accents variés, du bruit de fond et des interruptions. Sur ce test, Grok Voice 3.0 obtient 71,6 %, contre 74,5 % pour le modèle concurrent GPT-Live-1 : xAI le présente comme « comparable », en insistant sur une latence plus faible de 40 %.

Sur τ-Voice, le modèle n'est donc pas en tête ; xAI met en avant un autre test de service client, EVA-Bench de ServiceNow, où il obtient la meilleure précision. Les résultats varient selon le test choisi, et ces comparaisons sont présentées par l'éditeur lui-même : pour un accueil téléphonique, ce qui compte est la qualité sur vos propres appels, dans votre langue, avec vos clients.

Le chiffre le plus frappant concerne Starlink. Selon xAI, ses centres d'appels utilisent Grok Voice pour répondre à 20 000 appels de clients par jour, dans plusieurs langues ; environ 70 % sont résolus sans intervention humaine, et un appel commercial sur quatre se termine par un achat avant que l'appelant raccroche.

Ce sont des données communiquées par l'éditeur sur un client, sans méthode détaillée : on ne sait pas ce que recouvre exactement « résolu », ni quels types de demandes sont concernés. Les appels d'un fournisseur d'accès à Internet par satellite (vérification du client, dépannage du matériel, émission d'avoirs, envoi de matériel de remplacement) n'ont pas la même nature que ceux d'un cabinet, d'un artisan ou d'une agence. Ce taux ne se transpose donc pas tel quel à une PME.

L'annonce parle de « plusieurs langues » sans les nommer. La documentation technique de xAI sur la voix indique que la transcription prend en charge « 38+ » langues, soit au moins 38, mais elle n'en publie pas la liste sur cette page : le français n'y est pas cité. Pour une entreprise française, c'est la première chose à faire confirmer, par un essai réel avec des appelants qui parlent vite, avec un accent ou dans un environnement bruyant.

Côté données, la même documentation mentionne des options de résidence des données dans l'Union européenne et un traitement régional, sans nommer les régions concernées. Elle affirme aussi que l'audio est traité en temps réel et n'est jamais stocké ni utilisé pour l'entraînement ; reste à savoir ce qu'il advient des transcriptions et des résumés produits par le prestataire qui bâtit le service. Avant de confier des conversations clients à un service bâti sur ce modèle, il est légitime de demander par écrit où les appels sont transcrits, traités et conservés.

xAI précise que les agents qui utilisent l'appellation « grok-voice-latest » ont été basculés automatiquement sur la nouvelle version, sans aucune modification de leur part. C'est pratique, mais cela signifie qu'un agent vocal peut changer de comportement du jour au lendemain. Une entreprise a intérêt à savoir si son prestataire fige la version utilisée et teste chaque changement avant de l'appliquer à ses appels.

La documentation décrit aussi la création d'une voix personnalisée à partir d'un extrait audio de 120 secondes au maximum. Selon cette documentation, la fonction n'est pour l'instant ouverte qu'aux États-Unis, à l'exception de l'Illinois : elle ne concerne donc pas aujourd'hui une entreprise française. Les pages techniques consultées ne détaillent pas non plus de condition liée au consentement de la personne dont la voix est reproduite. Quel que soit l'outil, donner à un standard la voix d'un gérant ou d'une salariée suppose donc, de votre côté, d'obtenir son accord explicite et de vérifier la démarche avec un conseil.

Cette annonce confirme que les modèles vocaux progressent vite. Elle fournit surtout une grille de lecture. Face à une offre d'accueil téléphonique par IA, cinq questions simples : le français a-t-il été testé sur de vrais appels ? Où les conversations sont-elles traitées et stockées ? La version du modèle est-elle figée ou change-t-elle automatiquement ? Une voix clonée est-elle utilisée, et avec quel accord ? L'appelant est-il prévenu dès le début qu'il parle à une IA ?

De son côté, Alyas annonce l'IA et l'enregistrement en début d'appel, répond à partir des informations fournies par l'entreprise, transcrit et résume les conversations, transfère l'appel vers le numéro choisi lorsque c'est nécessaire, et son hébergement est situé dans l'Union européenne.