Grok Voice Think Fast 2.0 : rapide, précis, mais plafonné

Ce que j'ai réellement testé, et ce que je n'ai pas pu tester

Je veux être clair sur les bases de cet article, car « je l'ai testé » est une formule employée assez librement quand il s'agit de modèles vocaux.

Ce sur quoi j'ai travaillé en profondeur : la documentation speech-to-speech de xAI de bout en bout, ainsi que la fiche du modèle avec ses limites publiées, et le tarif de la page des prix.

À cela s'ajoutent l'article de lancement et l'évaluation indépendante d'Artificial Analysis, qui l'a comparé à 27 autres modèles. Ensuite, j'ai lu ce que disent les gens qui construisent réellement avec.

Ce que je ne peux pas prétendre : je n'ai pas fait passer mille appels réels de production par une ligne téléphonique en direct avec ce modèle. En dehors de xAI, personne ne l'a fait, à part Starlink. Donc quand cet article dit quelque chose sur le comportement sous charge, cela vient d'une limite publiée et non d'une expérience vécue, et je préciserai chaque fois de laquelle il s'agit.

Je construis des agents IA chez eesel pour gagner ma vie, surtout la partie qui se situe entre un modèle et une vraie conversation avec un client. C'est l'angle de cet article. La question n'est pas « est-ce impressionnant en démo ? ». C'est : « qu'est-ce qui casse un mardi après-midi quand 40 personnes appellent en même temps ? ».

Le tableau de bord

Voici tout le verdict en un seul endroit avant d'entrer dans les détails.

Verdict : le modèle mérite une recommandation solide, la plateforme mérite un « vérifiez d'abord votre volume ». Ce sont deux produits différents, et les tests n'évaluent souvent que le premier.

Ses points forts

Quatre choses se démarquent, et une seule est le chiffre avec lequel xAI a ouvert le lancement. Prises ensemble, elles décrivent un type de modèle bien précis : pas le plus intelligent disponible, mais celui qui reste précis tout en répondant assez vite pour une ligne téléphonique.

Les interruptions ne trahissent plus rien

Le plus grand changement par rapport à la 1.0 est le Full Duplex Bench, qui mesure la façon dont un modèle gère les aspects désordonnés d'une vraie conversation : les prises de parole, les chevauchements, les relances, quelqu'un qui change d'avis en plein milieu d'une phrase. La 1.0 obtenait 77,8 %. La 2.0 obtient 95,1 %.

C'est le chiffre qui sépare un agent vocal qu'on tolère d'un agent qu'on oublie être une machine. Quiconque a écouté des enregistrements d'appels connaît l'échec typique : l'appelant commence à se corriger, le bot continue de parler par-dessus, et l'appelant finit par répéter plus fort ou par demander un humain. Cela figure en bonne place dans toute liste de problèmes de chatbot qui poussent les clients à abandonner, et les schémas de transfert de tout déploiement sérieux existent surtout pour intercepter exactement ce moment-là.

À noter en toute honnêteté : c'est la seule ligne où Grok perd face à OpenAI. GPT-Realtime-2.1 High obtient 95,7 %. Un écart de 0,6 point n'est pas quelque chose qu'un appelant percevrait jamais, mais le tableau de lancement ne va pas le signaler spontanément non plus.

Le score agentique est le vrai titre à retenir

Le τ-voice mesure si un modèle peut réellement mener une tâche à bien par la voix, plutôt que de simplement bien sonner en le faisant. Consulter une commande, vérifier une politique, puis appeler une fonction et revenir avec la bonne réponse. Grok Voice Think Fast 2.0 obtient 56,5 % ici, le chiffre le plus élevé de tout le tableau d'Artificial Analysis.

Cela compte plus que l'indice global pour quiconque construit un vrai agent, car un agent vocal incapable d'utiliser des outils de façon fiable n'est qu'un lecteur de FAQ très coûteux. C'est la même distinction qui sépare les agents IA des chatbots IA à l'écrit, et la même raison pour laquelle les exemples utiles d'agents IA sont toujours ceux qui touchent un vrai système plutôt que de réciter un article.

La réserve honnête : Qwen Audio 3.0 Realtime Plus se situe à 54,6 % sur le même benchmark. L'avance de Grok est donc de 1,9 point, ce qui n'est pas le gouffre que la mise en scène laisse entendre. L'écart avec le meilleur résultat d'OpenAI, 45,7 %, est plus large, et c'est de là que vient la formule « 10 points d'avance », mais Qwen est juste à côté.

La combinaison vitesse et intelligence

0,70 s avant le premier son, contre 1,25 s pour la 1.0. Deepslate Opal est plus rapide à 0,44 s, et une variante de Gemini Flash à 0,63 s, ce qui place Grok en troisième position. Mais Qwen, le modèle qui le devance sur l'indice global, met 4,02 s avant le premier son. Sur une ligne téléphonique, c'est un silence mort assez long pour que l'appelant dise « allô ? ».

Ce compromis est le véritable produit. Quelqu'un sur Hacker News l'a formulé mieux que l'article de lancement lui-même :

"Grok voice is the best voice AI voice assistant and it's not even close.

The speed + intelligence tradeoff is just right. While GPT voice is smug and unhumanlike despite trying hard to be human."

simianwords, Hacker News

xAI affirme aussi que les tokens de raisonnement tournent à 0,4x le P50 de son prédécesseur, ce qui explique comment le modèle est devenu plus rapide en devenant plus intelligent, plutôt qu'en réfléchissant moins.

La transcription est la partie sous-estimée

Enfoui dans l'article de lancement : la précision de la transcription est 1,4 fois meilleure que sur la 1.0, et de 1,5 à 2,0 fois meilleure que Deepgram Nova 3 et ElevenLabs Scribe v2 sur 24 langues. Sur de l'audio bruité ou téléphonique, l'écart revendiqué avoisine les 10 fois.

L'audio téléphonique est précisément l'endroit où la transcription échoue le plus souvent, et c'est exactement le type d'audio qu'une ligne de support traite toute la journée. Si vous évaluez cela face à ElevenLabs ou à un fournisseur spécialisé en speech-to-text, ce chiffre sur l'audio bruité mérite plus de poids que les benchmarks conversationnels. C'est aussi l'axe sur lequel le point de terminaison de transcription d'OpenAI est resté le choix par défaut, surtout par inertie.

On compte désormais 26 voix au catalogue, après l'ajout de 21 en juillet 2026, et chacune peut être remplacée par un identifiant de voix clonée. Si vous avez déjà lutté pour qu'un bot sonne comme votre marque sur tous les canaux, le problème de la voix de marque ne disparaît pas simplement parce que le résultat est désormais de l'audio.

Là où le tableau de benchmarks enjolive les choses

Trois éléments que la mise en scène du lancement ne dit pas.

82,9 %, c'est la deuxième place. Qwen Audio 3.0 Realtime Plus est à 84,1 %. Grok est compétitif face à lui, et bien plus rapide, mais « à la pointe » fait beaucoup de travail dans le texte marketing. Si vous avez suivi la famille de modèles de Qwen ou les tarifs d'Alibaba récemment, vous savez qu'ils livrent à un rythme soutenu.

Ne comparez pas directement les deux chiffres de τ-voice de xAI. L'article du Voice Agent Builder du 1er juillet rapporte que Think Fast 1.0 obtenait 67,3 % sur son propre test τ-voice. Artificial Analysis évalue le même modèle à 52,1 %. Des protocoles différents, des échelles différentes. Empiler ces deux chiffres dans un graphique « regardez comme ça s'est amélioré » ne compare en réalité rien du tout. La même prudence s'applique aux chiffres du tarif du Voice Agent Builder, qui citent encore l'ancien tarif.

Les chiffres de Starlink appartiennent à la 1.0. Le taux de conversion des ventes de 20 % et le taux de résolution autonome de 70 %, largement cités, obtenus sur la ligne +1 888 GO STARLINK avec 28 outils intégrés, sont des résultats de Think Fast 1.0. Pour la 2.0, xAI dit que des tests A/B sur cette même ligne ont montré « une augmentation significative » de la conversion et du confinement, sans publier de chiffre. C'est aussi un déploiement interne au sein de la même structure de propriété, ce qui en fait davantage un meilleur cas qu'un exemple représentatif.

Construire dessus : l'API est le bon côté

Je m'attendais à ce que la documentation soit le point faible ici, et c'était exactement l'inverse. Sur le plan de la conception, c'est l'API vocale temps réel la plus réfléchie que j'aie lue.

Elle est compatible au niveau du protocole avec OpenAI Realtime sur wss://api.x.ai/v1/realtime, donc si vous avez déjà une application, la migration se résume à une URL de base et une clé. Vous pouvez même conserver le SDK OpenAI et simplement le pointer vers https://api.x.ai/v1. Quatre éléments ne se transposent pas : conversation.item.done, rate_limits.updated et la plupart des événements output_audio_buffer.* ne sont pas émis, et ...input_audio_transcription.delta est renommé .updated et devient cumulatif, ce qui corrompra silencieusement votre affichage de transcription si vous concaténiez les deltas jusqu'ici.

Les extensions propres à xAI sont là où ça devient intéressant, et elles donnent l'impression d'avoir été écrites par des gens qui avaient déjà livré un agent téléphonique et s'y étaient brûlés :

• force_message prononce une ligne codée en dur via TTS sans impliquer le modèle du tout. Avec interruptible: false, l'audio de l'appelant est ignoré jusqu'à la fin. Cela résout proprement le problème de la divulgation réglementaire, plutôt que de prier pour que le prompt système tienne bon.
• replace est une table de prononciation appliquée avant le TTS, de sorte que l'audio dise « Acme Mobull » tandis que la transcription indique toujours « Acme Mobile ». La correspondance ignore la casse, respecte les limites de mots entiers, et privilégie la correspondance la plus longue.
• resumption met en cache les tours de parole par conversation_id et les rejoue lors d'une reconnexion. Désactivé par défaut, les deux parties doivent y consentir, et l'historique expire après 30 minutes d'inactivité.
• keyterms oriente la transcription vers jusqu'à 100 termes de domaine de 50 caractères chacun, modifiables en cours de session. Pour une ligne de support pleine de références produits et de noms de forfaits, c'est la différence entre une transcription utilisable et un désastre.
• idle_timeout_ms se réarme après chaque réponse, ce qui permet à l'agent de relancer un appelant silencieux à plusieurs reprises plutôt que d'attendre passivement.

Le paramètre reasoning.effort accepte exactement deux valeurs : "high" (par défaut) et "none". Il n'y a pas de réglage intermédiaire, ce qui est un vrai manque. Quelqu'un a soulevé précisément ce point sur Hacker News à propos d'une version vocale de Grok antérieure :

"Grok voice model is also a thinking model. I agree that it's far better than the other voice models

Just give me a option to have a slower response but better model…"

artdigital, Hacker News

Autre chose que la documentation fait bien, et que la plupart des fournisseurs laissent découvrir en production : elle indique explicitement d'attendre la fin de la lecture audio avant d'envoyer response.create après un appel d'outil, car le serveur livre tous les deltas audio avant les événements d'appel de fonction. Ignorer cela produit un chevauchement de la parole. Ils suggèrent même d'afficher un indicateur de réflexion pendant cet intervalle. C'est un détail durement acquis, et il est écrit noir sur blanc.

Le guide de migration lui-même conseille de rendre le prompt système plus court, pas plus long, ce qui en dit long sur la façon dont le modèle a été ajusté.

Les trois limites qui vous empêcheront réellement de déployer

Si j'étais celui qui évaluait cela, voici la section que je lirais en premier.

10 sessions simultanées par équipe. C'est la valeur par défaut publiée sur la fiche du modèle, relevable sur demande. Dix appels simultanés, c'est tout juste un lundi matin pour une petite équipe de support. Tous les benchmarks ci-dessus sont sans importance si le onzième appel ne peut pas se connecter, et « relevable sur demande » relève d'une négociation commerciale, pas d'un paramètre de configuration. Quiconque dimensionne un agent IA pour centre d'appels devrait en faire la première question, pas une note de bas de page.

À titre de comparaison, les produits vocaux packagés construits au-dessus d'un helpdesk ne publient généralement aucun plafond de sessions, car la concurrence relève du problème du fournisseur plutôt que du vôtre. C'est vrai pour les agents vocaux IA de Zendesk, pour la configuration de Freshcaller, et pour l'agent vocal de Salesforce. Vous échangez de la flexibilité contre le fait qu'un autre gère la planification de capacité.

us-east-1 uniquement. Une seule région, pas d'option UE. Si vous avez des obligations de résidence des données, cela tranche la question avant même d'évaluer quoi que ce soit d'autre.

Pas de niveau prioritaire ni de remise sur volume. Le niveau prioritaire 2x ne concerne que Chat Completions et Responses. La remise de 20 % sur les lots ne concerne que les modèles texte. La voix n'a ni voie rapide ni remise sur volume, donc le tarif affiché est le tarif payé à toute échelle. Il existe aussi une durée maximale de session de 120 minutes, généreuse pour du support et un peu juste pour tout ce qui ressemble à une ligne surveillée.

Deux détails plus mineurs à connaître. Le stockage est facturé séparément si votre agent fait de la recherche documentaire : les collections coûtent 0,10 $/Gio/jour, les fichiers 0,025 $, les téléchargements 0,20 $/Gio. Et il existe des frais de 0,05 $ pour infraction aux règles d'utilisation pour chaque requête Responses bloquée avant génération.

Passer à la 2.0, ou rester sur la 1.0 ?

Le basculement d'alias du 5 août fait que ne rien faire est déjà, en soi, une décision. Choisissez la ligne qui vous correspond.

Ce que disent réellement ceux qui construisent dessus

X est le lieu naturel des réactions à xAI, mais il est actuellement difficile à explorer en profondeur, donc le signal utile se trouve sur Hacker News. Deux fils de discussion en portent l'essentiel.

Le commentaire le plus voté sur le fil Think Fast 2.0 est essentiellement une plainte sur le manque d'attention accordé au lancement :

"Don't know why this post isn't more popular, this is a SOTA voice model, beating dedicated labs like ElevenLabs"

haaz, Hacker News

C'est une lecture juste sur les capacités, et il convient de noter que les prix ont désormais aussi convergé. Chaque forfait Agents payant d'ElevenLabs revient à presque exactement 0,08 $ par minute incluse, ce qui correspond au centime près au nouveau tarif de Grok. Jusqu'au 5 août, Grok était 37,5 % moins cher.

L'avis plus mesuré, datant de quelques mois plus tôt, reste valable :

"Grok voice is surprisingly good, actually. It's still a dumber model than the thinking modes of frontier models, but it's less dumb than the voice modes of other providers."

modeless, Hacker News

C'est à peu près là où j'en suis aussi. Un modèle vocal est toujours un compromis face à un modèle texte qui a le luxe de réfléchir dix secondes, et Grok trouve un meilleur compromis que le reste du marché. Lisez les avis côté grand public et vous retrouverez le même verdict, formulé avec moins de nuance.

La frustration récurrente dans ces fils concerne l'utilisation d'outils en mode vocal, et cela mérite d'être clarifié car cela joue dans les deux sens :

"What I'm missing from this announcement is the capability to use connectors and tools. I don't really get it - NONE of the frontier assistants can use tools / connectors while in voice mode"

artdigital, Hacker News

Cela concerne les assistants vocaux grand public, et côté API, ce n'est pas vrai pour Grok : les sessions prennent en charge les outils function, file_search, web_search, x_search, et les outils mcp distants, ceux côté serveur étant exécutés pour vous. Les outils serveur sont facturés par appel, à 5 $ pour 1 000 pour la recherche web et X, 2,50 $ pour 1 000 pour les collections, et 10 $ pour 1 000 pour la recherche de pièces jointes. L'écart décrit par le commentaire est bien réel dans l'application Grok grand public, pas dans ce que vous construiriez vous-même. C'est la même fracture qui traverse le déploiement vocal de ChatGPT : l'API a une longueur d'avance sur l'application depuis un moment.

Qui devrait l'adopter, et qui devrait attendre

Adoptez-le si vous construisez un agent téléphonique ou vocal qui doit faire des choses, pas seulement parler. Le score τ-voice, le support des outils, les extensions force_message et keyterms, et le compteur plat à la minute forment ensemble la pile vocale la plus adaptée aux développeurs actuellement disponible. Migrer depuis l'audio temps réel d'OpenAI est presque gratuit.

Adoptez-le si la prévisibilité des coûts compte pour votre service financier. Artificial Analysis mesure le coût réel de Grok à 4,80 $ par heure d'audio en entrée, identique au tarif catalogue, car le compteur est plat à la minute. GPT-Realtime-2 affiche 1,15 $/h en entrée au catalogue mais mesure 4,14 $ tout compris. Des factures vocales qui correspondent au prix affiché sont plus rares qu'elles ne devraient l'être, ce qui explique en partie pourquoi la question du coût de l'agent face à l'humain est si difficile à répondre honnêtement.

Adoptez-le si vous voulez construire l'orchestration vous-même. Si vous préférez plutôt glisser des blocs, les tarifs de Voiceflow et les alternatives au Voice Agent Builder représentent le côté no-code du même marché.

Attendez si votre volume dépasse dix appels simultanés et que vous n'avez pas encore obtenu de limite relevée par écrit. Attendez si vous avez besoin d'une région UE. Attendez si vous vous fiiez au tarif de 0,05 $ sans avoir remarqué que l'alias bougeait sous vos pieds — dans ce cas, fixez grok-voice-think-fast-1.0 dès aujourd'hui et décidez selon votre propre calendrier.

Ne l'achetez pas comme solution de support. C'est un modèle et une API, pas un agent de helpdesk. Il n'a aucune notion de votre historique de tickets, de vos macros, de vos règles d'escalade, ni des questions que votre équipe a déjà décidé de ne pas confier à l'IA. Tout ce qui précède concerne la couche vocale, et cette couche vocale représente peut-être 20 % de ce qui fait réellement fonctionner une automatisation de support. Le reste, c'est la partie ennuyeuse : connaître son produit, savoir quand s'arrêter, et transférer proprement.

Une responsable CX dans une marque de compléments alimentaires en vente directe a mieux résumé cette contrainte qu'aucune fiche technique :

"The AI will never be able to answer 100% of the questions... I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

Aucun benchmark vocal ne mesure cela. C'est une question de politique, et c'est elle qui décide si un déploiement survit à son premier mois.

La voix est la moitié bruyante d'une file de support

La plupart des tickets qui se transforment en appels téléphoniques auraient pu recevoir une réponse par texte une heure plus tôt. L'automatisation de la première réponse et un chatbot de base de connaissances que l'IA sait vraiment lire évitent plus d'appels qu'aucun modèle vocal. C'est ce qu'il vaut la peine de corriger avant d'aller en chercher un.

eesel est un agent IA qui se branche sur le helpdesk que vous utilisez déjà, s'entraîne sur vos tickets passés et votre centre d'aide plutôt que sur un prompt système que vous devez rédiger à la main, et vous permet de simuler l'ensemble face à votre véritable historique de tickets avant qu'un seul client n'y touche. Ce dernier point est délibéré. J'ai passé des années à voir des bots à l'air confiant donner de mauvaises réponses, et un essai à blanc sur des tickets déjà résolus est le seul moyen honnête de savoir ce que le vôtre fera. C'est aussi l'étape qui distingue un vrai agent IA d'un bot basé sur des règles une fois les parcours prédéfinis épuisés.

C'est le même arbitrage construire-ou-acheter auquel beaucoup d'équipes arrivent après avoir lu une page de documentation comme celle de xAI et compris tout ce qu'elles devraient maintenir elles-mêmes :

"We could try to write our own LLM application but we didn't want to invest our time into that. We wanted something that we would not have to maintain."

Karel, GENERAL BYTES

Si la couche vocale vous intéresse aussi, poursuivez votre lecture avec le Voice Agent Builder de Grok et le marché plus large des entreprises de voix IA. Si vous voulez d'abord régler la file qui se cache derrière, eesel est gratuit à essayer et se connecte à votre helpdesk en quelques minutes. Les équipes qui utilisent Gorgias ou Zendesk le font généralement répondre à de vrais tickets dès l'après-midi même.

Trois lectures à envisager ensuite, selon le point sur lequel vous bloquez :

• Si vous hésitez encore sur le modèle : la présentation de Think Fast 2.0 détaille davantage le mécanisme.
• Si vous calculez la facture : l'analyse complète des tarifs fait le calcul pour quatre volumes différents.
• Si vous comparez le marché : les alternatives à ElevenLabs constituent le comparatif le plus proche au même tarif.