Grok Voice : conversations vocales
På denna sida
Mis à jour le 3 novembre 2026, sur la base des pages xAI Text to Speech, Speech to Speech, Pricing et Rate limits : 28 voix intégrées, tarifs actuels, sessions simultanées par niveau et un exemple de code utilisant le point de terminaison
POST /v1/ttsde xAI. Sources : Text to Speech · Pricing · Rate limits.
Parle avec Grok
Après le texte et l’image, voici la voix. Tu peux avoir de véritables conversations parlées avec l’assistant, mais tu dois immédiatement distinguer deux services que l’on confond souvent : l’agent vocal (Voice Agent), conçu pour des conversations interactives en temps réel, et la synthèse vocale (TTS), qui se contente de transformer du texte en audio. Le premier écoute et répond ; le second lit. Choisir le mauvais service est la raison principale de l’échec des projets vocaux.

Agent vocal : conversation en temps réel
L’agent vocal est le service le plus immersif : il te permet de parler directement avec Grok comme avec une personne. Il fonctionne via une connexion WebSocket qui transporte l’audio bidirectionnel en temps réel. Tu parles dans ton microphone, Grok écoute et comprend ton message en continu, puis répond à voix haute ; la détection de tour de parole, ou VAD, gère automatiquement les silences et les transitions. C’est ce dernier point qui distingue une conversation d’un échange de messages vocaux : tu peux hésiter sans que le système ne pense que tu as fini, et l’interrompre s’il prend une mauvaise direction.
Vingt-huit voix intégrées sont disponibles (au 3 novembre 2026), chacune avec sa propre personnalité. Tu dois choisir en fonction du cas d’usage plutôt que de ton goût personnel. Voici les cinq voix originales, telles que décrites par xAI :
| Voix | Caractère |
|---|---|
| Eve | Énergique et enthousiaste, accent britannique |
| Ara | Chaleureuse et amicale |
| Rex | Confiant et clair |
| Sal | Doux et équilibré |
| Leo | Autoritaire et puissant, accent britannique |
Les vingt-trois autres, plus récentes, sont regroupées par xAI selon leur cas d’usage (support, narration, éducation, publicité, bien-être) sur la page Text to Speech de sa documentation.
La restitution va au-delà du timbre de la voix. Des balises expressives enrichissent les réponses : des pauses établissent un rythme naturel, un rire allège un moment, un chuchotement crée un sentiment de proximité. Utilisées avec parcimonie, elles font la différence entre une voix passable et une voix que l’on écoute jusqu’au bout ; dans chaque phrase, elles ont l’effet inverse si elles sont surutilisées.
L’agent vocal peut également appeler des outils pendant la conversation : recherches web en temps réel, consultations de bases de données, appels à des API personnalisées. Tu demandes à voix haute des informations à jour, et Grok répond oralement avec le résultat. Un assistant de support peut vérifier l’état réel d’une commande au lieu de réciter une procédure générique.
Synthèse vocale : lire du texte à voix haute
La synthèse vocale (TTS) répond à un besoin plus simple : transformer du texte écrit en audio parlé. Elle sert à générer des narrations pour des vidéos ou des podcasts, produire des messages vocaux automatisés, rendre le contenu textuel accessible aux personnes malvoyantes et diffuser des annonces et notifications vocales. Le service couvre vingt langues et peut également détecter la langue automatiquement.
L’appel API ne prend que quelques lignes :
import os
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
json={
"text": "Welcome to this course on Grok.",
"voice_id": "eve",
"language": "en",
},
)
with open("welcome.mp3", "wb") as f:
f.write(response.content)
Le résultat est un fichier audio MP3, prêt à être lu ou intégré dans un montage.
Ce que la voix change pour les entreprises
Le premier domaine est le service client : déployé en tant qu’assistant vocal, l’agent vocal gère les questions courantes et effectue des recherches en temps réel, absorbant le volume répétitif sans faire attendre les appelants. La même logique s’étend à la téléphonie existante : xAI peut répondre lui-même sur vos numéros via SIP, et des frameworks tels que LiveKit ou Pipecat s’y branchent, sans avoir à reconstruire votre infrastructure d’appels.
La synthèse vocale sert principalement à la production de contenu : vos articles, rapports et présentations obtiennent une version audio, avec une voix choisie pour le ton souhaité. Dans les deux cas, l’accessibilité mérite de faire partie de la conception dès le départ plutôt que d’être ajoutée après coup : ces capacités rendent l’IA utilisable pour les personnes que les interfaces textuelles excluent.
Combien ça coûte
L’agent vocal coûte 0,08 $ par minute, soit 4,80 $ par heure, plus 0,004 $ par entrée de texte ; sur le niveau d’entrée, une équipe peut ouvrir 10 sessions simultanées, et jusqu’à 200 sur les niveaux supérieurs. La synthèse vocale coûte 15 $ par million de caractères, avec 50 requêtes par seconde et 100 sessions simultanées sur le niveau d’entrée. Vérifie ces plafonds de simultanéité avant tout lancement public : ils déterminent le nombre d’appels que tu peux gérer en parallèle, et une campagne qui les dépasse résulte en des appelants en attente, pas en une facture plus élevée.
Prix vérifiés le 3 novembre 2026. Les prix changent souvent : avant de budgétiser quoi que ce soit, vérifie les tarifs actuels sur la page officielle des tarifs de xAI.
Viktiga punkter
- L’agent vocal permet des conversations parlées en temps réel avec Grok via WebSocket
- 28 voix intégrées sont disponibles, avec différentes personnalités et cas d’usage
- La synthèse vocale convertit le texte en audio (MP3 par défaut) dans 20 langues
- L’agent vocal peut utiliser des outils (recherche web, API) pendant la conversation
- Les protocoles de téléphonie standard sont pris en charge pour l’intégration professionnelle