La Grok Voice Agent API est l’interface de xAI qui permet à un logiciel de parler et d’écouter avec la voix de Grok, en temps réel. Elle coûte aujourd’hui 0,08 $ la minute de conversation, et sert à construire un assistant vocal, un standard qui décroche tout seul ou un agent de prise de rendez-vous.
Lancée le 17 décembre 2025 par xAI, la société d’intelligence artificielle d’Elon Musk aujourd’hui intégrée à SpaceX, elle s’adresse aux développeurs et aux décideurs techniques. Cet article explique ce qu’elle fait vraiment, ce qu’elle coûte, en quoi elle diffère de l’API d’OpenAI, et ce qu’il faut vérifier avant de l’utiliser en Europe. Il fait partie de notre guide Grok et la téléphonie, qui présente les trois couches de l’offre vocale de xAI.
Qu’est-ce que la Grok Voice Agent API ?
C’est une interface de programmation, une API, qui permet à un logiciel de converser à voix haute avec le modèle Grok. Votre application envoie le son du micro ou d’une ligne téléphonique, Grok écoute, comprend, décide quoi répondre et renvoie sa réponse sous forme de son, le tout en continu.
xAI l’a lancée le 17 décembre 2025, au tarif de 0,05 $ la minute, avec un plugin officiel pour LiveKit, une plateforme open source très utilisée pour construire des agents vocaux. Elle se positionne comme compatible avec la spécification de l’API Realtime d’OpenAI, le format de référence du marché pour la voix en temps réel.
Dans l’offre vocale de xAI, l’API est la couche du milieu. Au-dessus, il y a deux produits finis : Grok Bot, l’assistant grand public qui peut passer des appels à votre place, et le Grok Voice Agent Builder, qui permet de créer un agent téléphonique sans code. En dessous, il y a les modèles vocaux eux-mêmes, dont Grok Voice 3.0.
Comment fonctionne un agent vocal « voix-à-voix » ?
Pendant des années, un assistant vocal enchaînait trois logiciels distincts : un premier transcrivait la parole en texte, un deuxième, le modèle de langage, rédigeait une réponse écrite, un troisième la lisait à voix haute. Chaque étape ajoutait du délai, et l’intonation se perdait en route : le modèle ne lisait que des mots, jamais le ton.
LiveKit décrit l’API de xAI comme un modèle voix-à-voix unique : le son entre et ressort du même modèle, sans passage obligé par le texte. Deux conséquences concrètes :
- Moins d’attente. LiveKit indique des réponses en moins de 700 millisecondes. xAI, de son côté, annonce une latence sous la seconde. C’est la différence entre une conversation naturelle et un silence gênant après chaque phrase.
- Une voix plus expressive. Le modèle peut rire, soupirer ou chuchoter, ce que xAI rend pilotable avec des balises comme [laugh], [sigh] ou [whisper].
Pour le détail de ce qui se passe dans la voix elle-même, la latence, les interruptions et la qualité d’une ligne téléphonique, voyez notre article comment Grok parle au téléphone.
Un agent vocal ne se juge pas à la qualité de ses phrases, mais au silence entre deux phrases. Au téléphone, une seconde de trop suffit pour que l’interlocuteur se demande s’il parle à une machine.
Comment se déroule une session avec l’API ?
Sans entrer dans un code qui dépend de votre langage et de votre version, une conversation suit toujours le même cycle. La connexion utilisée est un WebSocket : un canal qui reste ouvert pendant toute la conversation, au lieu d’une requête envoyée à chaque message.
Ouvrir la connexion temps réel
Votre serveur ouvre une connexion WebSocket authentifiée avec votre clé d’API xAI. Elle restera ouverte jusqu’à la fin de la conversation.
Configurer la session
Vous envoyez les instructions de l’agent (son rôle, son ton, ce qu’il doit obtenir), la voix choisie, le format audio et la liste des outils qu’il a le droit d’appeler, par exemple consulter un agenda.
Envoyer l'audio en continu
Le son de l’interlocuteur part vers le modèle par petits paquets. Pour une ligne téléphonique, l’exemple officiel de xAI transmet l’audio en μ-law à 8 kHz, le format du réseau téléphonique, sans conversion.
Recevoir la voix et les événements
Le modèle renvoie sa réponse audio au fil de l’eau, accompagnée d’événements : début et fin de parole, transcription, demande d’appel d’un outil. Votre code exécute l’outil et renvoie le résultat au modèle.
Clore, archiver et compter
Vous fermez la connexion, puis vous stockez ce dont vous avez besoin : transcription, résumé, durée, en respectant vos obligations d’information et de conservation. La durée de la session détermine la facture, à 0,08 $ la minute.
Pour relier ce cycle à un vrai numéro de téléphone, xAI publie un exemple officiel qui connecte un numéro Twilio à l’API. Le numéro, le raccordement et la portabilité sont expliqués dans notre guide pour brancher Grok sur un vrai numéro de téléphone.
Combien coûte la Grok Voice Agent API ?
La tarification est à la minute de conversation, et elle a changé depuis le lancement.
Trois postes s’ajoutent au prix de la minute :
- Les outils. Quand l’agent consulte le web ou un service externe pendant l’appel, ces appels sont facturés à part. La presse spécialisée cite 5 $ pour 1 000 recherches web.
- La téléphonie. Si l’agent répond au téléphone, le numéro et les minutes de l’opérateur, par exemple Twilio, sont payés à l’opérateur, en plus de xAI.
- L’hébergement de votre code. Le serveur qui fait le lien entre le téléphone et l’API tourne chez vous ou chez votre hébergeur.
Un ordre de grandeur : 1 000 appels de 3 minutes par mois représentent 3 000 minutes, soit 240 $ de conversation avec Grok Voice 3.0, avant outils, numéro et opérateur.
Grok Voice Agent API ou OpenAI Realtime : quelles différences ?
La comparaison s’impose, puisque xAI revendique la compatibilité avec la spécification d’OpenAI. Voici ce que l’on peut affirmer avec des sources, sans extrapoler.
| Grok Voice Agent API (xAI) | OpenAI Realtime API | |
|---|---|---|
| Disponible depuis | 17 décembre 2025 | 28 août 2025 (gpt-realtime) |
| Type de modèle | Voix-à-voix, selon LiveKit | Modèle temps réel gpt-realtime |
| Latence annoncée | Moins d’une seconde (xAI) | Non citée ici |
| Format | Compatible avec la spécification Realtime d’OpenAI | Spécification de référence |
| Téléphone | Exemple officiel via Twilio Media Streams | Appels en SIP pris en charge |
| Autres atouts cités | Balises [laugh], [sigh], [whisper], plugin LiveKit | Serveurs MCP, images |
| Prix | 0,08 $ la minute (Voice 2.0 et 3.0) | Non comparé ici |
| Région listée | us-east-1 | Non comparée ici |
Nous n’avons gardé que ce que les sources établissent : là où une case dit « non cité ici », c’est que nous n’avons pas vérifié le chiffre, pas qu’il n’existe pas.
La différence la plus concrète pour un projet téléphonique : OpenAI documente un raccordement SIP natif, alors que l’exemple officiel de xAI passe par Twilio Media Streams. Les deux approches fonctionnent, mais elles ne se configurent pas de la même façon. La compatibilité de format rend une migration envisageable ; elle ne dispense jamais de rejouer vos scénarios de test sur l’autre fournisseur.
Quelles limites avant d’utiliser la Grok Voice Agent API en Europe ?
Avant de signer, posez ces questions à xAI, par écrit, et gardez les réponses dans votre registre de traitements :
- Où sont traités et stockés l’audio et les transcriptions ? La documentation ne liste que us-east-1 : existe-t-il une autre région ?
- Combien de temps les données sont-elles conservées, et peut-on demander leur suppression ?
- Les conversations servent-elles à entraîner les modèles ? Si oui, peut-on s’y opposer ?
- Quel mécanisme encadre le transfert hors de l’Union ? Clauses contractuelles, adhésion à un cadre de transfert : demandez lequel.
- Qui sont les sous-traitants qui touchent aux données ? Hébergeur, opérateur téléphonique, outils appelés pendant la session.
Trois autres points méritent votre attention :
- L’information de l’interlocuteur. Une personne qui parle à un agent vocal doit savoir qu’elle s’adresse à une IA, et être informée si l’appel est enregistré. Notre outil mention d’enregistrement d’appel RGPD aide à rédiger ce message.
- La prospection sortante. En France, les appels de prospection passés par un automate obéissent à des règles strictes. Nous les détaillons dans Grok face aux commerciaux.
- La maturité. Le catalogue de voix, les modèles et les prix ont changé trois fois en dix mois. Prévoyez de retester votre agent à chaque nouvelle version.
Pour qui l’API a-t-elle du sens ?
Un rappel utile : un agent vocal ne remplace pas un commercial au téléphone. Pour une équipe qui prospecte, l’essentiel reste d’avoir de bons numéros professionnels et des outils qui font gagner du temps aux humains. C’est le terrain de Skipcall : une téléphonie VoIP pour vos commerciaux, avec power dialer, transcription et intégration CRM, à partir de 22 € par mois, sans engagement.
Ce qu’il faut retenir
La Grok Voice Agent API est la brique développeur de l’offre vocale de xAI : un modèle voix-à-voix, sur une connexion WebSocket temps réel, compatible avec la spécification d’OpenAI, facturé aujourd’hui 0,08 $ la minute avec Grok Voice 3.0. Elle est rapide et expressive, mais elle reste jeune, ses prix ont changé en cours de route, et sa documentation ne liste qu’une région américaine, ce qui impose un examen RGPD sérieux pour des appels européens. Pour la vue d’ensemble des trois couches, Grok Bot, l’API et le Builder, revenez à notre guide Grok et la téléphonie.
Sources : xAI, « Grok Voice Agent API » (17 décembre 2025) et « Grok Voice 3 » (14 octobre 2026) ; documentation xAI de l’API temps réel ; LiveKit, annonce du partenariat avec xAI (17 décembre 2025) ; dépôt GitHub xai-org/xai-cookbook, exemple voice-agent-phone ; InfoQ, sur la disponibilité générale de gpt-realtime (septembre 2025).
