xAI a lancé Grok Voice 3.0 via son API hébergée Voice Agent le 14 octobre. Pour une équipe qui choisit un agent vocal de service client, le tableau actuel de parole à parole d’Artificial Analysis montre un gain de 15,1 points de pourcentage par rapport à Grok Voice 2.0 sur des tâches d’assistance simulées, une faible variation de sa mesure distincte de réussite des tâches et une première réponse audio plus lente.

Selon xAI, l’alias grok-voice-latest renvoie désormais automatiquement vers la version 3.0. Le guide actuel de l’API propose aussi le nom versionné grok-voice-3.0 aux équipes qui doivent figer la version. Selon xAI, le point de terminaison WebSocket, les paramètres de session et les événements restent identiques à ceux de la version 2.0. Les utilisateurs de l’alias n’ont pas à migrer leur application, mais un nouveau modèle derrière un alias évolutif justifie de relancer les tests d’appels propres à l’application.

Le grand changement

  • Ce qui change : Grok Voice 3.0 a remplacé la version 2.0 derrière l’alias de l’API grok-voice-latest. Artificial Analysis rapporte désormais un score de 71,6 % à son test d’assistance client simulée, contre 56,5 % pour la version 2.0.
  • Pourquoi c’est important : Cette mesure vérifie si un agent atteint le bon état de la base de données dans des problèmes scénarisés de compagnies aériennes, de commerce de détail et de télécommunications. Elle est plus pertinente pour un processus d’assistance qu’un score général de raisonnement audio, même si elle reste une simulation.
  • Ce qu’il faut surveiller : Le même évaluateur a mesuré 0,81 seconde avant le premier son avec la version 3.0, contre 0,70 seconde avec la version 2.0. Les équipes devraient vérifier leurs propres temps de réponse, la réalisation des tâches et la durée facturable des sessions avant de modifier un déploiement dont la version est figée.

Le score d’assistance et le délai de réponse

La méthodologie d’Artificial Analysis décrit son test τ-Voice comme un client simulé appelant un agent doté d’un document de règles et d’outils propres au domaine. Ses tâches dans l’aérien, le commerce de détail et les télécommunications ont des états finaux définis dans la base de données, et le score est la moyenne de trois essais. Le tableau actuel attribue 71,6 % à Grok Voice 3.0, contre 56,5 % à Grok Voice 2.0 : une hausse de 15,1 points de pourcentage dans ces conditions de test. L’évaluation utilise un client simulé, de la parole générée, une transcription et un modèle chargé de noter. Elle ne mesure pas la proportion d’appelants réels dont un service déployé résout les problèmes.

Le taux distinct de réussite des tâches de Speech Agent Arena ne passe que de 94,6 % pour la version 2.0 à 94,8 % pour la version 3.0. Il compte les conversations admissibles dont les bons appels finaux aux outils accomplissent la tâche ; le test diffère de τ-Voice. L’indice global d’Artificial Analysis passe de 81,3 à 86,9. Sa version actuelle pondère à parts égales le raisonnement audio, τ-Voice, la préférence des appelants à l’aveugle et la réussite des tâches dans Arena. Aucun de ces chiffres, pris isolément, ne démontre un gain sur toutes les tâches de service client.

Pour la vitesse, Artificial Analysis publie le délai moyen avant le premier son sur ses questions Big Bench Audio. Grok Voice 3.0 prend 0,81 seconde et la version 2.0 prend 0,70 seconde. Le nouveau modèle a donc mis 0,11 seconde de plus à commencer à parler dans ce test, bien que xAI qualifie sa latence d’« inférieure à une seconde » dans l’annonce du lancement. La mesure s’arrête à la première sortie audio ; elle ne mesure ni la latence de l’appel complet ni le délai de résolution.

Ce que couvre le tarif vocal affiché

xAI affiche les deux versions à 0,08 dollar par minute, soit 4,80 dollars par heure, pour l’audio de parole à parole. Sa page de tarification des modèles ajoute 0,004 dollar pour chaque événement texte facturable conversation.item.create. Avec la détection des tours de parole par défaut server_vad, le compteur audio mesure la durée de la session. En mode appuyer-pour-parler, il compte l’audio envoyé et reçu. Une session de dix minutes maintenue ouverte au tarif de durée affiché entraîne donc 0,80 dollar de frais audio, avant les événements texte facturés séparément. Ce calcul repose sur la grille tarifaire de xAI, et non sur une facture de BIG CHANGE ou un appel testé.

Les développeurs ont besoin d’une clé d’API xAI pour une connexion WebSocket côté serveur, ou d’un jeton de courte durée pour une application cliente. Le guide de l’API documente wss://api.x.ai/v1/realtime, un paramètre de requête model, un événement session.update pour les instructions, la voix et la détection des tours de parole, ainsi que des événements audio diffusés en continu en réponse. xAI indique une limite de dix sessions simultanées par équipe et une durée maximale de 120 minutes par session. Une équipe d’assistance devrait encore fournir ses propres règles, outils, limites d’utilisation des données clients et processus d’escalade ; la configuration publiée du test ne démontre pas les performances de cette mise en œuvre précise.

xAI rapporte aussi que Starlink traite 20 000 appels par jour avec Grok Voice et en résout environ 70 % sans intervention humaine. Ce sont des chiffres opérationnels communiqués par l’entreprise ; les tests synthétiques d’Artificial Analysis ne les vérifient pas. BIG CHANGE a examiné la documentation du lancement, de l’API et des tests. Nous n’avons ni utilisé l’API, ni appelé un agent d’assistance, ni reproduit l’évaluation.

Sources et lectures complémentaires