Découvrir le Voice Agent de Grok

Un agent vocal conversationnel en temps réel

L’API Voice Agent de Grok sert à construire des assistants qui conversent vocalement avec vos utilisateurs, en direct. La différence avec un montage classique tient à l’architecture. Le montage classique enchaîne trois services : une transcription, une réponse textuelle, une synthèse vocale, chacun derrière son appel HTTP. Le Voice Agent, lui, travaille en flux continu à l’intérieur d’une seule connexion WebSocket persistante : l’utilisateur parle, le modèle écoute, comprend et répond vocalement sans que la parole ait à faire trois allers-retours réseau.

Ce gain se ressent immédiatement à l’usage. Là où un pipeline en trois étapes laisse un blanc de plusieurs centaines de millisecondes après chaque phrase, la conversation avec le Voice Agent ressemble à un appel téléphonique : l’interlocuteur enchaîne, vous pouvez le couper, il reprend. C’est cette continuité qui fait la différence entre un serveur vocal que les clients subissent et un assistant avec lequel ils acceptent de parler.

Comment s’établit la connexion

Tout passe par le protocole WebSocket, qui maintient un canal bidirectionnel ouvert entre votre application et xAI. Vous vous connectez à l’endpoint wss://api.x.ai/v1/realtime en plaçant votre clé API dans le header d’autorisation, exactement comme pour un appel REST :

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Le serveur répond par un événement session.created qui confirme l’ouverture. Ne considérez pas la connexion comme prête avant de l’avoir reçu : c’est le signal qui vous autorise à envoyer votre configuration, sous la forme d’un message session.update. Une application qui envoie sa configuration avant d’avoir vu passer session.created s’expose à des comportements erratiques au démarrage.

Le cycle du flux audio

Une fois la session configurée, les données tournent en boucle selon un cycle précis. Votre application capture l’audio du microphone, l’encode en base64 et l’expédie par petits morceaux via input_audio_buffer.append : c’est l’entrée, et elle est continue, vous n’attendez pas que la personne ait fini sa phrase pour commencer à envoyer. En parallèle, le serveur applique une détection d’activité vocale (VAD, pour Voice Activity Detection) qui repère seul le début et la fin de la prise de parole. Le modèle Grok analyse alors ce qui a été dit, l’interprète dans le contexte de l’échange et génère sa réponse, dont l’audio vous revient en streaming par response.output_audio.delta, chunk après chunk, toujours en base64.

L’intérêt de ce découpage est que vous n’écrivez aucune logique de tour de parole. Vous ne décidez pas quand l’utilisateur a fini, vous ne déclenchez pas manuellement la génération : le serveur s’en charge et vous n’avez plus qu’à jouer l’audio qui arrive. Le cycle se répète ainsi jusqu’à la fin de la conversation.

Ce que l’agent sait faire pendant qu’il parle

Le Voice Agent ne se limite pas à discuter, il peut mobiliser des outils au milieu de l’échange. Il dispose de la recherche web pour aller chercher une information en temps réel, de la recherche sur X pour interroger les publications de la plateforme, des fonctions personnalisées pour appeler vos propres APIs, de la recherche de fichiers pour parcourir des collections de documents vectorisés, et de la connexion à des serveurs MCP (Model Context Protocol) pour atteindre des outils externes standardisés.

Traduit en situation réelle : un client appelle pour savoir où en est sa commande, l’agent interroge votre base de données par une fonction personnalisée pendant qu’il fait patienter le client d’une phrase, puis annonce la date de livraison à voix haute. Autre exemple, un assistant de prise de rendez-vous qui consulte un calendrier via un serveur MCP et propose trois créneaux dans la foulée. Dans les deux cas, l’utilisateur n’a jamais eu conscience qu’une API était appelée.

Les contraintes à intégrer dès la conception

Trois limites structurent vos choix d’architecture. Une session ne peut pas dépasser trente minutes, ce qui signifie que pour un usage long — une formation, un accompagnement — vous devez prévoir la reprise de conversation dans une nouvelle session plutôt que d’espérer tenir. Vous pouvez maintenir jusqu’à cent sessions simultanées, chiffre à confronter à votre pic d’appels avant toute mise en production. Enfin le coût, à $0.05 par minute soit $3.00 de l’heure, se calcule au temps de connexion : une session ouverte pendant qu’un utilisateur réfléchit en silence coûte autant qu’une session où l’on parle, d’où l’intérêt de fermer proprement. L’audio circule par défaut en PCM 24 kHz, format modifiable selon votre canal.

Tarifs relevés le 5 août 2026 — les prix évoluent régulièrement : avant tout calcul de budget, vérifiez la grille en vigueur sur la page officielle des modèles et tarifs xAI.

Points clés à retenir

• Le Voice Agent de Grok fonctionne via WebSocket pour une conversation vocale temps réel
• La détection de la parole (VAD) est gérée côté serveur, simplifiant votre code
• L’agent peut utiliser des outils (web, X, fonctions, fichiers, MCP) pendant la conversation
• Le tarif est de $0.05/minute avec un maximum de 30 minutes par session et 100 sessions simultanées