SpaceXAI vient de sortir Grok Voice 3.0. Grok Voice 3.0 est un modèle speech-to-speech de SpaceXAI qui écoute, raisonne, appelle des outils et parle. Il se classe désormais premier sur l' Artificial Analysis Speech-to-Speech Index avec un score de 86.9. Pour les développeurs, le point de terminaison, les événements et le prix de 0,08 $ par minute restent inchangés par rapport à Grok Voice 2.0.
TL;DR
- Fonctionne sur : l' Voice Agent API hébergée de SpaceXAI uniquement. Pas de poids ouverts, pas de variantes locales ou quantifiées.
- Performance : Le score Index le plus élevé de tous les modèles actuellement classés par Artificial Analysis.
- Meilleur : 86.9 sur l'AA Speech-to-Speech Index, classé n°1.
- Pire : 71.6 % sur τ-Voice, derrière GPT-Live-1 (Astra, medium) à 74.5 %.
- En résumé :
- Meilleur : meilleur score composite avec un délai de 0,81 s avant le premier audio.
- Pire : pas le leader sur la résolution de tâches agentiques ou le raisonnement vocal brut.
Qu'est-ce que Grok Voice 3.0 ?
Grok Voice 3.0 est le modèle vocal temps réel phare de SpaceXAI, exposé en tant que grok-voice-3.0 sur le /v1/realtime WebSocket endpoint. L'alias grok-voice-latest pointe déjà vers lui, de sorte que les agents existants ont basculé automatiquement.
SpaceXAI n'a pas publié le nombre de paramètres ni les détails d'architecture. Le raisonnement est activé par défaut (reasoning.effort: "high") et peut être réglé sur "none" pour des tours plus rapides. La détection d'activité vocale côté serveur gère les interruptions. Les outils s'exécutent dans la session : recherche de collections, recherche web, recherche X, serveurs MCP distants et fonctions personnalisées.
Comment Grok Voice 3.0 se performance-t-il sur les benchmarks ?
L'AA Speech-to-Speech Index est une moyenne équipondérée de 4 composantes. Il s'agit du raisonnement Big Bench Audio, de la performance agentique τ-Voice, des préférences Speech Agent Arena et du taux de réussite des tâches.
Grok Voice 3.0 obtient 86.9. GPT-Live-1 (Astra, medium) obtient 83.2, Gemini 3.8 Live Extended Thinking 82.6. Grok Voice 2.0 avait obtenu 81.3.
Les résultats par composante sont solides, sans être uniformément premiers :
- Big Bench Audio : 98.5 %, classé 4e. StepAudio 3 Realtime mène à 99.7 %.
- Full Duplex Bench : 97.0 %, classé 4e. StepAudio 3 Realtime mène à 98.9 %.
- Taux de réussite des tâches : 94.8 %, en hausse par rapport aux 94.6 % de Grok Voice 2.0.
- Speech Agent Arena Elo : 1070, le plus élevé parmi les 4 modèles comparés ici.
- τ-Voice : 71.6 %, en hausse par rapport à 56.5 %, mais en dessous de GPT-Live-1 (Astra, medium) à 74.5 %.
L' EVA-Bench de ServiceNow évalue les agents vocaux d'entreprise sur la précision et l'expérience. SpaceXAI rapporte un score de précision record de 74 %.
Grok Voice 3.0 est-il rapide et bon marché ?
Artificial Analysis mesure un délai de 0.81 s avant le premier audio. GPT-Live-1 (Astra, medium) mesure 1.34 s, donc l'affirmation de SpaceXAI d'une « latence inférieure de 40 % » se vérifie. Toutefois, Grok Voice 2.0 était plus rapide, à 0.70 s.
Concernant le coût, SpaceXAI cite le coût par tâche Big Bench Audio d'Artificial Analysis. Grok Voice 3.0 coûte 0,025 $ par tâche, contre 0,030 $ pour GPT-Live-1 (Astra, medium) et 0,055 $ pour GPT-Realtime-2.1 (High). Selon le coût par heure d'audio d'entrée de l'AA, Gemini 3.8 Live Extended Thinking est moins cher : 3,50 $ contre 4,80 $.
Les prix catalogue ne sont pas directement comparables. GPT-Live-1 coûte 0,05 $ par minute, mais l'utilisation du modèle backend et des outils est facturée séparément. Gemini 3.8 Live facture l'audio à la minute plus les tokens de texte.
Retour</button><button class="btn" id="gvNext">Suivant </button><button class="btn" id="gvPlay">Lecture auto</button></div> </div> <div class="pnl" id="p2"> <div class="chips" id="gvChips"></div> <div id="gvBars"></div> <p class="note" id="gvNote"></p> </div> <div class="pnl" id="p3"> <svg viewBox="0 0 640 330" width="100%" role="img" aria-label="Taux de succès de τ-Voice en fonction du délai avant le premier audio"> <rect x="0" y="0" width="640" height="330" fill="transparent"/> <g stroke="#2a2a2a"> <line x1="70" y1="30" x2="70" y2="280"/><line x1="70" y1="280" x2="610" y2="280"/> <line x1="70" y1="196.7" x2="610" y2="196.7" stroke-dasharray="3 4"/><line x1="70" y1="113.3" x2="610" y2="113.3" stroke-dasharray="3 4"/> <line x1="70" y1="30" x2="610" y2="30" stroke-dasharray="3 4"/> </g> <g fill="#9a9a9a" font-size="11"> <text x="62" y="284" text-anchor="end">50%</text><text x="62" y="201" text-anchor="end">60%</text><text x="62" y="117" text-anchor="end">70%</text><text x="62" y="34" text-anchor="end">80%</text> <text x="70" y="298" text-anchor="middle">0,5 s</text><text x="205" y="298" text-anchor="middle">0,75 s</text><text x="340" y="298" text-anchor="middle">1,0 s</text><text x="475" y="298" text-anchor="middle">1,25 s</text><text x="610" y="298" text-anchor="middle">1,5 s</text> <text x="340" y="320" text-anchor="middle">Délai avant le premier audio (plus bas = plus rapide)</text> <text x="16" y="155" text-anchor="middle" transform="rotate(-90 16 155)">Succès τ-Voice</text> </g> <text x="84" y="50" fill="#ffffff" font-size="12" font-weight="700"> mieux</text> <g id="gvDots"></g> </svg> <p class="note">Source : Artificial Analysis, consulté le 14 octobre 2026. Grok Voice 3.0 est en retrait de 2,9 points par rapport à GPT-Live-1 (Astra, medium) sur τ-Voice, mais atteint le premier audio 0,53 s plus tôt.</p> </div> <div class="pnl" id="p4"> <div class="kv"> <div class="k"><b>0,08 $/min</b><span>4,80 $/h, identique à Grok Voice 2.0</span></div> <div class="k"><b>0,81 s</b><span>délai avant le premier audio (AA)</span></div> <div class="k"><b>28</b><span>voix intégrées, plus le clonage</span></div> <div class="k"><b>20</b><span>paramètres régionaux répertoriés, détectés automatiquement</span></div> <div class="k"><b>5</b><span>types d'outils : fichiers, web, X, MCP, fonctions</span></div> <div class="k"><b>SIP</b><span>routage téléphonique et centres d'appels</span></div> </div> <pre><code>wss://api.x.ai/v1/realtime?model=grok-voice-3.0 {"type": "session.update", "session": { "voice": "eve", "reasoning": {"effort": "high"}, "turn_detection": {"type": "server_vad"}, "tools": [{"type": "web_search"}] }}</code></pre> <p class="note">L'alias <code>grok-voice-latest</code> pointe déjà vers <code>grok-voice-3.0</code>. Épinglez le nom versionné en production. Grok Voice 2.0 est obsolète.</p> </div> <div class="ft"><span>Données : <a href="https://x.ai/news/grok-voice-3" target="_blank" rel="noopener">SpaceXAI</a>, <a href="https://artificialanalysis.ai/speech-to-speech" target="_blank" rel="noopener">Artificial Analysis</a>, <a href="https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech" target="_blank" rel="noopener">docs SpaceXAI</a></span><span class="brand">© Marktechpost</span></div> </div> <script> (function(){ var R=document.getElementById('mtp-gv3'); function post(){try{parent.postMessage({mtpEmbed:'gv3',height:R.offsetHeight+40},'*')}catch(e){}} R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){ R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')}); R.querySelectorAll('.pnl').forEach(function(x){x.classList.remove('on')}); t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on'); if(t.dataset.p==='p2')drawBars();if(t.dataset.p==='p3')drawDots();setTimeout(post,60);});}); /* onde */ var w=document.getElementById('gvWave');for(var i=0;i<48;i++){var b=document.createElement('i');b.style.animationDelay=(i*0.045)+'s';w.appendChild(b);} /* pipeline */ var S=[ ['L'appelant parle','L'audio est diffusé via un WebSocket (ou SIP pour les appels téléphoniques) en PCM à 8 à 48 kHz, G.711 ou Opus.'], ['Détection du tour de parole','La détection d'activité vocale côté serveur détermine quand l'appelant a terminé, et gère le barge-in lorsqu'il interrompt.'], ['Raisonnement','Le raisonnement est activé par défaut avec reasoning.effort réglé sur "high". Réglez-le sur "none" pour des tours plus rapides et plus simples.'], ['Outils','L'agent peut appeler collections search, web search, X search, des serveurs MCP distants et vos propres fonctions en plein appel.'], ['Diffusion de la réponse','Les deltas audio sont renvoyés dès qu'ils sont prêts. Artificial Analysis mesure 0.81 s jusqu'au premier audio.']]; var F=document.getElementById('gvFlow'),cur=0,timer=null; S.forEach(function(s,i){var b=document.createElement('button');b.className='st';b.innerHTML='<div class="n">ÉTAPE '+(i+1)+'</div><div class="t">'+s[0]+'</div>'; b.addEventListener('click',function(){stop();show(i)});F.appendChild(b);}); function show(i){cur=(i+S.length)%S.length;F.querySelectorAll('.st').forEach(function(x,j){x.classList.toggle('on',j===cur)}); document.getElementById('gvDt').textContent=S[cur][0];document.getElementById('gvDp').textContent=S[cur][1];} function stop(){if(timer){clearInterval(timer);timer=null;document. getElementById('gvPlay').textContent='Lecture automatique';}} document.getElementById('gvPrev').onclick=function(){stop();show(cur-1)}; document.getElementById('gvNext').onclick=function(){stop();show(cur+1)}; document.getElementById('gvPlay').onclick=function(){if(timer){stop();return}this.textContent='Pause';timer=setInterval(function(){show(cur+1)},2200)}; show(0); /* barres */ var M=['Grok Voice 3.0','Grok Voice 2.0','GPT-Live-1 (Astra, medium)','Gemini 3.8 Live Ext. Thinking']; var B={ 'AA Index':{v:[86.9,81.3,83.2,82.6],max:100,f:function(x){return x.toFixed(1)},n:'Moyenne à poids égal de Big Bench Audio, τ-Voice, des préférences Arena et du taux de réussite des tâches.'}, 'Big Bench Audio':{v:[98.5,97.2,90.1,97.7],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Raisonnement vocal. Grok Voice 3.0 se classe 4e au classement général ; StepAudio 3 Realtime mène avec 99.7%.'}, 'τ-Voice':{v:[71.6,56.5,74.5,68.6],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Appels de réplication au service client avec outils. GPT-Live-1 (Astra, medium) mène ce groupe.'}, 'Full Duplex Bench':{v:[97.0,95.1,94.9,91.9],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Pauses, tours de parole, interruptions et signaux d’écoute.'}, 'Task success':{v:[94.8,94.6,87.4,89.1],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Part des conversations se terminant par le bon appel d’outil final.'}, 'Arena Elo':{v:[1070,1011,1056,993],max:1100,f:function(x){return String(x)},n:'Elo Live Speech Agent Arena sur Artificial Analysis. Plus élevé est préférable.'}, 'Time to first audio':{v:[0.81,0.70,1.34,1.35],max:1.5,f:function(x){return x.toFixed(2)+' s'},n:'Plus bas est plus rapide. Grok Voice 2.0 était plus rapide que 3.0.'}}; var C=document.getElementById('gvChips'),BR=document.getElementById('gvBars'),key='AA Index'; Object.keys(B).forEach(function(k){var c=document.createElement('button');c.className='chip'+(k===key?' on':'');c.textContent=k; c.onclick=function(){key=k;C.querySelectorAll('.chip').forEach(function(x){x.classList.toggle('on',x===c)});drawBars()};C.appendChild(c);}); M.forEach(function(m,i){var r=document.createElement('div');r.className='row'; r.innerHTML='<div class="lbl">'+m+'</div><div class="trk"><div class="fill'+(i===0?' me':'')+'"></div></div><div class="val"></div>';BR.appendChild(r);}); function drawBars(){var d=B[key];BR.querySelectorAll('.row').forEach(function(r,i){var f=r.querySelector('.fill');f.style.width='0'; r.querySelector('.val').textContent=d.f(d.v[i]);setTimeout(function(){f.style.width=(d.v[i]/d.max*100)+'%'},40+i*90)}); document.getElementById('gvNote').textContent=d.n+' Source: Artificial Analysis / SpaceXAI.';} drawBars(); /* scatter */ var P=[['Grok Voice 3.0','0.81 s · 71.6%',0.81,71.6,1,'r'],['Grok Voice 2.0','0.70 s · 56.5%',0.70,56.5,0,'r'],['GPT-Live-1 (Astra, medium)','1.34 s · 74.5%',1.34,74.5,0,'l'],['Gemini 3.8 Live Ext. Thinking','1.35 s · 68.6%',1.35,68.6,0,'l']]; var G=document.getElementById('gvDots'),NS='http://www.w3.org/2000/svg'; P.forEach(function(p){var x=70+(p[2]-0.5)*540,y=280-(p[3]-50)/30*250;var g=document.createElementNS(NS,'g');g.setAttribute('class','dot'); var c=document.createElementNS(NS,'circle');c.setAttribute('cx',x);c.setAttribute('cy',y);c.setAttribute('r',p[4]?9:7); c.setAttribute('fill',p[4]?'#ffffff':'#5c5c5c');c.setAttribute('stroke',p[4]?'#ffffff':'#9a9a9a');g.appendChild(c); [[p[0],0,p[4]?'700':'600'],[p[1],15,'500']].forEach(function(L){var t=document.createElementNS(NS,'text'); t.setAttribute('x',p[5]==='r'?x+14:x-14);t.setAttribute('y',y-2+L[1]);t.setAttribute('text-anchor',p[5]==='r'?'start':'end'); t.setAttribute('fill',p[4]?'#ffffff':'#bdbdbd');t.setAttribute('font-size','12');t.setAttribute('font-weight',L[2]);t.textContent=L[0];g.appendChild(t);}); G.appendChild(g);}); function drawDots(){G.querySelectorAll('.dot').forEach(function(g,i){g.style.opacity='0';g.style.transform='translateY(30px)'; setTimeout(function(){g.style.opacity='1';g.style.transform='none'},80+i*150)});} window. addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300); })(); </script> </body> </html> ">Comment Grok Voice 3.0 se compare-t-il à GPT-Live-1 et Gemini 3.8 Live ?
| Caractéristique | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, medium) | Gemini 3.8 Live Extended Thinking |
|---|---|---|---|---|
| Développeur | SpaceXAI | SpaceXAI | OpenAI | |
| Paramètres | Non divulgués | Non divulgués | Non divulgués | Non divulgués |
| Longueur du contexte | Non divulguée | Non divulguée | Non divulguée | Non divulguée |
| Poids | Fermés, API uniquement | Fermés, obsolètes | Fermés, API uniquement | Fermés, API uniquement |
| Entrée / sortie | Audio, texte / audio, texte | Audio, texte / audio, texte | Audio, texte / audio, texte | Texte, image, vidéo, audio / audio, texte |
| AA Speech-to-Speech Index | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 97.2% | 90.1% | 97.7% |
| τ-Voice | 71.6% | 56.5% | 74.5% | 68.6% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
| Taux de succès des tâches | 94.8% | 94.6% | 87.4% | 89.1% |
| Arena Elo (AA live) | 1070 | 1011 | 1056 | 993 |
| Temps jusqu'au premier audio | 0,81 s | 0,70 s | 1,34 s | 1,35 s |
| Coût AA par heure d'audio d'entrée | $4.80 | $4.80 | $5.83 | $3.50 |
| Prix catalogue | $0,08/min | $0,08/min | $0,05/min plus usage backend | $0,005/min audio entrant, $0,018/min audio sortant, plus tokens texte |
Données de benchmark : Artificial Analysis, consulté le 14 octobre 2026. Le blog de SpaceXAI liste des valeurs Arena Elo figées de 1048 (GPT-Live-1) et 990 (Gemini).
Comment les développeurs déploient-ils Grok Voice 3.0 ?
L'API est compatible avec l'OpenAI Realtime API, donc la migration revient essentiellement à une nouvelle URL et une nouvelle clé.
- Transports : WebSocket, applications de démo WebRTC, et SIP pour les appels téléphoniques et de centres de contact.
- Audio : PCM à 8 à 48 kHz, G.711 μ-law et A-law, et Opus.
- Voix : 28 voix intégrées, plus des voix personnalisées clonées à partir d'un clip de référence allant jusqu'à 120 s.
- Langues : 20 langues répertoriées avec détection automatique de la langue.
- Extensions :
force_messagepour les lignes scriptées, les cartes dereplaceprononciation et la reprise de session de 30 minutes. - Conformité : SOC 2 Type II, éligible HIPAA avec un BAA, et RGPD. SpaceXAI affirme que l'audio n'est ni stocké ni utilisé pour l'entraînement.
Les équipes de production devraient épingler grok-voice-3.0 plutôt que l'alias. Grok Voice 2.0 est désormais obsolète.
Points clés
- Grok Voice 3.0 se classe #1 sur l'AA Speech-to-Speech Index avec 86.9.
- Il répond en 0,81 s, soit une latence inférieure de 40 % à celle de GPT-Live-1 (Astra, medium).
- τ-Voice a bondi à 71.6 %, mais GPT-Live-1 reste en tête à 74.5 %.
- Le prix reste à $0.08 par minute, et
grok-voice-latestmis à niveau automatiquement. - C'est uniquement via API : pas de poids, pas de taille divulguée.
Découvrez l'annonce officielle, les docs Speech to Speech et le classement Artificial Analysis. Tout le crédit revient au chercheur de ce projet. Par ailleurs, n'hésitez pas à nous suivre sur Twitter et n'oubliez pas de rejoindre notre SubReddit ML de plus de 150k et de vous abonner à notre Newsletter. Attendez ! êtes-vous sur telegram ? vous pouvez maintenant nous rejoindre également sur telegram.
L'article Meet Grok Voice 3.0 : le modèle d'agent vocal SpaceXAI se classe #1 sur Artificial Analysis est applu pour la première fois sur MarkTechPost.