Voice Agent et TTS

Leçon corrigée le 3 novembre 2026 d’après les pages Pricing, Rate limits, Text to Speech et les notes de version de xAI : agent vocal à 0,08 $ par minute et non 0,05 $, TTS à 15 $ par million de caractères et non 4,20 $, sessions simultanées par palier (et non 100, ni 30 minutes par session), TTS disponible depuis mars 2026 ; les paliers s’appliquent automatiquement aux modèles vocaux, c’est Imagine qui demande un contact commercial. Sources : Pricing · Rate limits · Release notes.

Les capacités audio de Grok

xAI propose deux services audio via son API : le Voice Agent (API Speech to Speech), disponible depuis décembre 2025, pour les conversations vocales en temps réel, et le Text-to-Speech (TTS), disponible depuis mars 2026, pour la synthèse vocale. Ces services permettent de construire des interfaces conversationnelles vocales complètes, du standard téléphonique automatisé à l’assistant vocal embarqué.

Voice Agent API

Le Voice Agent API permet de créer des conversations vocales bidirectionnelles en temps réel. L’utilisateur parle, le modèle écoute, comprend et répond oralement — le tout avec une latence suffisamment faible pour une conversation naturelle.

Caractéristiques principales

• Modèle : grok-voice-3.0, vers lequel pointe l’alias grok-voice-latest
• Sessions simultanées : 10 au palier d’entrée, puis 20, 50, 100 et 200 selon le palier
• Tarification : $0.08 par minute, soit $4.80 par heure, plus $0.004 par entrée texte
• Temps réel : latence optimisée pour la conversation naturelle

Cas d’usage

Le Voice Agent est conçu pour des scénarios où l’interaction vocale apporte une valeur ajoutée par rapport au texte :

• Service client automatisé — accueil téléphonique, routage d’appels, réponses aux questions fréquentes
• Assistants vocaux embarqués — dans des applications mobiles ou des appareils IoT
• Tutoring vocal — accompagnement pédagogique par la voix
• Accessibilité — interface vocale pour les utilisateurs qui ne peuvent pas ou ne souhaitent pas taper

Considérations de coût

À $4.80 par heure, le Voice Agent est économique pour des interactions courtes et ponctuelles. Mais le coût peut devenir significatif pour des services à fort volume. Un centre d’appels traitant 1 000 heures de conversation par mois représenterait un budget de $4 800.

Le système de paliers s’applique aussi aux modèles vocaux, comme aux modèles de texte : le palier dépend du montant cumulé de vos achats et ne redescend jamais. Pour relever les limites d’Imagine, en revanche, il faut contacter les ventes de xAI.

Text-to-Speech (TTS)

Le service TTS convertit du texte en parole avec des voix synthétiques de haute qualité. Il se facture au volume de texte converti.

Tarification et limites

Pour estimer vos coûts : un article de blog de 5 000 caractères coûterait environ $0.075 à convertir en audio. Un livre audio de 500 000 caractères reviendrait à environ $7.50.

Voix disponibles

xAI propose 28 voix intégrées (relevé du 3 novembre 2026), communes au TTS et au Voice Agent, avec des tons et des usages variés, ainsi que des voix personnalisées créées à partir d’un court extrait. Le choix de la voix se fait au moment de la requête API, ce qui permet d’adapter la voix au contexte — une voix professionnelle pour un rapport, une voix chaleureuse pour un tutoriel.

Applications du TTS

• Podcasts automatisés — transformer vos articles de blog en contenu audio
• Narration — ajouter une couche audio à vos applications éducatives
• Accessibilité — rendre du contenu textuel accessible aux personnes malvoyantes
• Notifications vocales — alertes et rappels parlés dans les applications
• Contenu multilingue — générer des versions audio dans différentes langues

Voice Agent vs TTS : quel service choisir ?

La distinction est simple :

• Voice Agent : pour les conversations interactives en temps réel. L’utilisateur parle, le modèle répond. C’est bidirectionnel.
• TTS : pour la conversion unidirectionnelle de texte en parole. Pas d’interaction, juste de la synthèse vocale.

Si vous construisez un assistant conversationnel, vous aurez besoin du Voice Agent. Si vous voulez simplement lire du texte à voix haute, le TTS suffit.

Intégration dans une architecture existante

Les services audio de Grok s’intègrent dans la même API que les modèles texte et image. Vous utilisez les mêmes clés API, le même système de facturation et le même tableau de bord sur console.x.ai.

Cette unification simplifie considérablement l’architecture : un même projet peut utiliser Grok 4.5 pour le raisonnement, grok-build-0.1 pour le code, Grok Imagine pour les visuels et le Voice Agent pour l’interaction orale, le tout avec un seul compte développeur.

Tarifs vérifiés le 3 novembre 2026 — les prix évoluent régulièrement : avant tout calcul de budget, vérifiez la grille en vigueur sur la page officielle des tarifs xAI.

Points clés à retenir

• Le Voice Agent coûte $0.08/min ($4.80/h) pour des conversations en temps réel
• Le TTS coûte $15 par million de caractères pour la synthèse vocale
• Voice Agent : de 10 à 200 sessions simultanées selon le palier
• TTS : 100 requêtes concurrentes
• Voice Agent = bidirectionnel, TTS = unidirectionnel
• Les montées de tier Voice/Imagine nécessitent une demande manuelle