Grok Voice : conversations vocales
Parler avec Grok
Grok ne se limite pas au texte et aux images. Grâce à ses capacités vocales, vous pouvez avoir de véritables conversations orales avec l’assistant. Deux services distincts sont proposés : le Voice Agent pour les conversations interactives en temps réel, et le Text-to-Speech (TTS) pour la conversion de texte en audio.
Voice Agent : la conversation en temps réel
Le Voice Agent est le service le plus immersif. Il vous permet de parler directement avec Grok comme vous le feriez avec un interlocuteur humain.
Fonctionnement
Le Voice Agent utilise une connexion WebSocket pour un échange audio bidirectionnel en temps réel. Concrètement :
- Vous parlez dans votre microphone
- Grok écoute et comprend votre message en continu
- Il formule sa réponse vocalement
- La détection de tour de parole (VAD) gère automatiquement les silences et les transitions
Les 5 voix disponibles
Grok propose cinq voix distinctes, chacune avec sa personnalité :
- Eve : énergique et enjouée, idéale pour des échanges dynamiques
- Ara : chaleureuse et amicale, parfaite pour un ton bienveillant
- Rex : confiant et clair, adapté aux contextes professionnels
- Sal : doux et équilibré, pour une conversation apaisée
- Leo : autoritaire et puissant, pour un ton assertif
Tags expressifs
Pour enrichir les réponses vocales, Grok supporte des tags expressifs qui ajoutent de la nuance :
- Les pauses pour un rythme naturel
- Le rire pour des moments légers
- Le chuchotement pour un effet de proximité
Outils en conversation vocale
Le Voice Agent peut utiliser des outils pendant la conversation :
- Effectuer des recherches web en temps réel
- Interroger des bases de données
- Appeler des APIs personnalisées
Cela signifie que vous pouvez demander vocalement à Grok de chercher une information sur le web, et il vous répondra oralement avec les résultats.
Text-to-Speech (TTS)
Le service TTS est plus simple : il convertit un texte écrit en audio parlé. C’est utile pour :
- Générer des narrations pour des vidéos ou des podcasts
- Créer des messages vocaux automatisés
- Rendre du contenu textuel accessible aux personnes malvoyantes
- Produire des annonces ou des notifications vocales
Langues supportées
Le TTS supporte plus de 20 langues, dont le français. Une fonctionnalité notable est le code-switching : la possibilité de changer de langue en cours de phrase, ce qui est pratique pour les contenus multilingues.
Utilisation via l’API
response = client.audio.speech.create(
input="Bienvenue dans cette formation sur Grok.",
voice="eve",
model="tts-1"
)Le résultat est un fichier audio au format MP3.
Cas d’usage professionnels
Service client vocal
Le Voice Agent peut être déployé comme assistant vocal pour le service client, capable de répondre aux questions courantes et d’effectuer des recherches en temps réel.
Assistants téléphoniques
xAI supporte les protocoles de téléphonie standards (SIP, G.711), ce qui permet d’intégrer Grok dans des systèmes de téléphonie existants via des plateformes comme LiveKit.
Narration de contenu
Le TTS permet de générer des versions audio de vos articles, rapports ou présentations, avec un choix de voix adapté au ton souhaité.
Accessibilité
Les capacités vocales de Grok contribuent à rendre l’IA plus accessible aux personnes qui ont des difficultés avec les interfaces textuelles.
Tarification des services vocaux
- Voice Agent : 0,05 $ par minute (3,00 $ par heure), avec un maximum de 100 sessions simultanées et une durée maximale de 30 minutes par session
- Text-to-Speech : 4,20 $ par million de caractères, avec un maximum de 100 requêtes simultanées
Points clés à retenir
- Le Voice Agent permet des conversations orales en temps réel avec Grok via WebSocket
- Cinq voix distinctes sont disponibles avec des personnalités différentes
- Le TTS convertit du texte en audio MP3 dans plus de 20 langues
- Le Voice Agent peut utiliser des outils (recherche web, APIs) pendant la conversation
- Les protocoles de téléphonie standards sont supportés pour l’intégration entreprise