Choisir la Voix et la Personnalité

Leçon réécrite le 3 novembre 2026 d’après les pages Text to Speech et Speech to Speech de xAI et son guide de prompts vocaux : xAI propose 28 voix intégrées, communes à l’agent vocal et à la synthèse vocale, et non cinq ; les descriptions et usages ci-dessous sont ceux de xAI. Sources : Text to Speech · Speech to Speech · Prompting Guide.

Vingt-huit voix, autant d’impressions

Le Voice Agent de Grok met 28 voix à votre disposition (relevé du 3 novembre 2026), chacune avec son timbre et son tempérament, et toutes parlent toutes les langues prises en charge. Ce choix n’est pas un détail cosmétique : avant même d’avoir écouté la première phrase, l’utilisateur s’est déjà fait une idée de qui lui parle. Une voix énergique sur un message d’annulation de commande sonne faux ; une voix grave et posée sur une démo produit endort la salle.

La liste évolue : GET /v1/tts/voices la renvoie à jour, et l’API Custom Voices permet de créer une voix à partir d’un court extrait de référence, dont l’identifiant s’utilise exactement comme celui d’une voix intégrée.

Déclarer la voix

La voix se choisit dans le champ voice du message session.update, et cela tient en trois lignes :

{
  "type": "session.update",
  "session": {
    "voice": "rex"
  }
}

Le nom est insensible à la casse : "Eve", "eve" et "EVE" désignent la même voix. La documentation de la synthèse vocale donne eve comme voix par défaut ; pour l’agent, déclarez toujours la voix explicitement. Comme pour le reste de la configuration, un nouveau session.update en cours de conversation permet de changer de voix — de quoi passer, dans un parcours d’accueil téléphonique, d’une voix d’accueil dynamique à une voix plus posée dès que l’appel bascule vers un sujet sensible.

Faire correspondre le timbre et le comportement

La voix ne fait que la moitié du travail : elle donne le grain, tandis que les instructions donnent la conduite. Une voix chaleureuse qui débite des réponses sèches produit une dissonance que l’utilisateur ressent sans savoir la nommer. Les trois configurations qui suivent montrent trois alignements cohérents entre timbre et rôle.

Pour un service client, celeste, que xAI classe en support, accompagne un ton patient et une porte de sortie vers un humain :

{
  "type": "session.update",
  "session": {
    "voice": "celeste",
    "instructions": "Vous êtes une assistante du service client de la boutique Maison Verte. Vous êtes patiente, empathique et toujours prête à trouver une solution. Utilisez un langage simple et rassurant. Si vous ne pouvez pas résoudre un problème, proposez de transférer vers un conseiller humain."
  }
}

Pour un tutoriel technique, cosmo, classée en éducation, sert une consigne de structure et de précision :

{
  "type": "session.update",
  "session": {
    "voice": "cosmo",
    "instructions": "Vous êtes un formateur technique spécialisé en développement web. Expliquez les concepts de manière structurée, avec des exemples concrets. Soyez précis et direct. Proposez des exercices pratiques quand c'est pertinent."
  }
}

Pour un parcours d’intégration en entreprise, leo porte une autorité que les instructions tempèrent de bienveillance et de vérifications régulières :

{
  "type": "session.update",
  "session": {
    "voice": "leo",
    "instructions": "Vous êtes le formateur officiel du programme d'intégration des nouveaux collaborateurs. Présentez les informations avec autorité mais bienveillance. Suivez le programme dans l'ordre et vérifiez la compréhension après chaque point."
  }
}

Comment trancher

Quatre considérations reviennent à chaque projet. La première est la cohérence avec la marque : une marque premium se reconnaîtra plutôt dans altair, une startup décontractée dans castor ou iris, et l’inverse crée un décalage immédiat. La deuxième est le contexte d’utilisation, qui prime parfois sur la marque : un assistant de bien-être appelle une voix que xAI classe dans cet usage, comme carina, lux ou liora ; un standard téléphonique gagne à rassurer avec celeste ou aurora. La troisième est la durée d’interaction : sur des sessions longues, une voix posée risque moins de lasser qu’une voix très marquée. La quatrième, la plus importante, est que la perception d’une voix reste subjective. Faites écouter trois candidates à une poignée d’utilisateurs réels, dans votre langue cible, avant de figer votre choix : l’exercice prend une heure et évite de découvrir après le lancement que la voix retenue agace la moitié de vos clients.

Ce que l’oral change dans vos prompts

Passer à la voix invalide certaines habitudes d’écriture de prompts et en impose d’autres. Le guide de prompts vocaux de xAI propose une structure en cinq rubriques — rôle et persona, objectif, déroulé de la conversation, garde-fous et escalade, style vocal — et des consignes précises pour ce dernier : une ou deux phrases courtes par tour, sauf si l’interlocuteur demande plus de détails ; une courte pause après chaque question ; une question de relance brève si l’interlocuteur se tait ; et, quand ce qu’il a dit est inaudible ou incomplet, une courte question de clarification plutôt qu’une supposition.

Les questions ouvertes, efficaces par écrit, désorientent souvent à l’oral : préférez « Voulez-vous que je vérifie votre commande ? » à « Que puis-je faire pour vous ? ». Et un agent qui demande « Pourriez-vous répéter ? » vaut mieux qu’un agent qui devine, parce qu’à l’oral une erreur d’interprétation coûte deux tours de parole à corriger.

Points clés à retenir

• 28 voix intégrées sont disponibles, communes à l’agent vocal et à la synthèse vocale, plus les voix personnalisées
• xAI décrit le ton et les usages de chaque voix : partez de ces usages, puis faites écouter
• Le choix de la voix est modifiable en cours de session sans couper la connexion
• Les instructions suivent la structure du guide xAI : une ou deux phrases courtes par tour, des relances brèves, des questions de clarification
• Alignez la voix avec votre marque, le contexte d’usage et la durée des interactions