SpaceXAI, qui développe Grok et exploite la plateforme pour développeurs x.ai, a présenté Grok Voice 3.0 le 14 octobre 2026. Il s'agit d'un modèle parole vers parole : il écoute un flux audio et répond directement à l'oral, sans enchaîner transcription puis synthèse vocale. Il vise les agents vocaux, comme les centres d'appels ou les assistants embarqués dans les voitures. L'entreprise le présente comme le modèle vocal le plus intelligent du marché, une affirmation qui repose surtout sur des mesures externes publiées la veille.
Ces mesures proviennent d'Artificial Analysis, qui tient un classement public des modèles vocaux temps réel. Son Speech-to-Speech Index attribue 86,9 points à Grok Voice 3.0, devant GPT-Live-1 (Astra, medium) d'OpenAI à 83,2, Gemini 3.8 Live Extended Thinking (High) de Google à 82,6 et son prédécesseur Grok Voice 2.0 à 81,3. Cet indice agrège le raisonnement oral sur Big Bench Audio, le test d'appels d'assistance τ-Voice ainsi que des préférences et taux de réussite issus d'appels comparés à l'aveugle. Sur les épreuves prises isolément, le nouveau modèle affiche 98,5 % sur Big Bench Audio, 97,0 % sur Full Duplex Bench, qui juge la gestion des pauses, des interruptions et des tours de parole, 94,8 % de tâches réussies et un Elo de 1 070 dans la Speech Agent Arena.
SpaceXAI revendique en outre 71,6 % sur τ-Voice, soit un niveau proche de GPT-Live-1 (Astra) avec une latence réduite d'environ 40 %, et des réponses en moins d'une seconde. En s'appuyant sur des relevés de coûts d'Artificial Analysis, la société affirme que chaque tâche menée à bien revient moins cher qu'avec GPT-Live-1 (Astra, Medium) ou GPT-Realtime-2.1. Sur EVA-Bench, banc d'essai ouvert de ServiceNow regroupant plus de 200 scénarios d'entreprise, elle annonce la meilleure précision, 74 %, et cite un directeur produit de ServiceNow saluant ce résultat. Ces chiffres de latence, de coût et d'EVA-Bench émanent de SpaceXAI et n'ont pas pu être vérifiés de façon indépendante.
Côté tarif, rien ne change : Grok Voice 3.0 coûte 0,08 dollar la minute, soit 4,80 dollars de l'heure, exactement comme Grok Voice 2.0. Les développeurs qui utilisent l'alias grok-voice-latest ont basculé automatiquement vers le nouveau modèle, sans toucher à leur code, ce qui implique aussi que leurs agents peuvent se comporter autrement du jour au lendemain.
Pour illustrer l'échelle, l'entreprise s'appuie sur les autres sociétés d'Elon Musk. Elle indique que le modèle traite chaque jour des millions de conversations dans les véhicules Tesla, où les conducteurs consultent leur agenda, répondent à des courriels ou passent commande les mains libres, et qu'il anime désormais le mode vocal de Grok Bot. Chez Starlink, toujours selon SpaceXAI, des agents fondés sur Grok Voice prennent environ 20 000 appels par jour en plusieurs langues, en règlent près de 70 % sans intervention humaine et concluent une vente sur quatre pendant l'appel. Aucun de ces indicateurs n'a fait l'objet d'un audit public.
Le classement complet nuance le tableau. Artificial Analysis évalue plus de 40 modèles vocaux et, dans ses palmarès par critère, Grok Voice 3.0 se classe quatrième : StepAudio 3 Realtime domine Big Bench Audio avec 99,7 % et Full Duplex Bench avec 98,9 %, suivi sur ces deux tests par Qwen Audio 3.0 Realtime Plus d'Alibaba. Le graphique de l'annonce ne compare que des modèles d'OpenAI et de Google. Qwen Audio 3.0 Realtime Plus figure par ailleurs comme le moins cher pour l'audio en entrée.
Pour les concepteurs d'agents téléphoniques ou automobiles, le changement concret tient à un modèle par défaut plus performant au même prix à la minute. Reste à savoir si l'avance sur l'indice composite tiendra face à de vrais appels, aux accents et aux lignes bruyantes, ce que seuls des clients extérieurs à Tesla et Starlink pourront montrer ; le lancement n'en fournit aucun exemple.