xAI lance 21 nouvelles voix Grok et un builder d'agents vocaux

Le 6 juillet 2026, xAI a déployé une mise à jour significative pour Grok Voice : 21 nouvelles voix de synthèse multilingues, disponibles immédiatement via l'API TTS, l'API Voice Agent et le nouveau Grok Voice Agent Builder. Les cinq voix d'origine ont aussi été retravaillées en profondeur.

Pour les créateurs vidéo qui utilisent de la voix off générée, c'est un signal clair : le marché TTS devient sérieusement concurrentiel.

21 voix, chacune pensée pour un usage précis

xAI ne livre pas des voix génériques. Chaque nouvelle voix a été conçue pour un domaine spécifique : support client, narration de personnage, commentaire sportif, publicité, formation.

Parmi les noms publiés : Lumen, Castor, Naksh, Atlas, Carina, Zagan, Helix, Orion, Luna. Carina, par exemple, est optimisée pour les interactions support, avec un ton doux et une prosodie empathique. Orion est taillée pour la narration publicitaire.

Toutes les 21 voix sont nativement multilingues : elles couvrent 25 langues, dont le français, l'espagnol, l'allemand, l'hindi, le japonais, le coréen, le portugais et le thaï. Pas de modèle séparé par langue, pas de fine-tuning à gérer côté utilisateur.

Les cinq voix originales (Ara, Eve, Leo, Rex, Sal) ont également été réentraînées avec une recette améliorée : le rythme, la formulation et l'accentuation sont nettement plus naturels selon xAI.

Voice Agent Builder : zéro code, deux minutes

En parallèle, xAI a lancé le Grok Voice Agent Builder en bêta depuis le 1er juillet 2026. Le concept : créer un agent vocal de production sans écrire une seule ligne de code.

Vous décrivez en langage naturel comment les appels doivent se dérouler, vous attachez vos documents, outils et garde-fous, et l'agent est opérationnel. xAI revendique un déploiement de zéro à fonctionnel en moins de deux minutes.

Ce qui différencie techniquement ce builder des stacks vocaux classiques : Grok Voice repose sur un chemin speech-to-speech natif, sans assembler séparément un STT, un LLM et un TTS venant de fournisseurs différents. Chaque saut entre API ajoute de la latence et de la complexité. Ici, tout passe par un seul pipeline.

Les fonctionnalités intégrées dès le départ : téléphonie, récupération de connaissances (RAG), outils externes, garde-fous, connecteurs MCP et observabilité. Rien à brancher manuellement.

Tarifs : une attaque claire sur ElevenLabs et Vapi

Le pricing annoncé par xAI : 0,05 $ par minute d'audio agent plus 0,01 $ par minute de téléphonie. C'est un positionnement volontairement agressif face aux leaders actuels comme ElevenLabs et Vapi.

Pour les créateurs qui produisent des voix off pour des campagnes, des formations ou des podcasts, cette compétition tarifaire est une bonne nouvelle. Elle pousse tous les acteurs à améliorer leur rapport qualité-prix.

💡 Le cut de Frank : Si vous utilisez déjà ElevenLabs pour vos voix off, ne migrez pas en urgence. Testez d'abord les voix Grok en essai gratuit (API disponible). Le prix est attractif, mais la qualité d'une voix pour un projet client, ça se teste sur vos propres scripts, pas sur des démos marketing.

Ce que ça change concrètement pour la production vidéo IA

Le mouvement de xAI n'est pas isolé. En quelques mois, ElevenLabs, Google (avec Gemini Omni Flash), et maintenant xAI ont tous renforcé leurs capacités vocales. La voix IA multilingue de qualité commence à être accessible sans budget important.

Pour les projets de localisation, c'est concret : une même voix off déclinée en 25 langues depuis un seul modèle, sans gérer des licences séparées ou des modèles distincts. Sur un projet de formation ou de publicité internationale, ça peut simplifier significativement la post-production.

La limite reste la même qu'avec tout TTS : la prosodie "maison" que l'outil impose. Pour des projets qui nécessitent une vraie direction artistique de voix, le clonage vocal reste la meilleure option. Mais pour des voix génériques utilitaires, l'offre de xAI mérite l'attention.

Côté workflow, les voix sont accessibles via l'API TTS standard si vous voulez les intégrer dans votre propre pipeline, ou via le Voice Agent Builder si vous construisez un agent conversationnel. Deux usages, deux intégrations distinctes.

Les chiffres clés

• 21 nouvelles voix disponibles (+ 5 voix originales réentraînées)
• 25 langues supportées nativement
• 0,05 $/min pour l'audio agent
• 0,01 $/min pour la téléphonie
• Disponible dans l'API TTS, l'API Voice Agent et le Voice Agent Builder
• Lancement Voice Agent Builder : 1er juillet 2026
• Lancement des 21 voix : 6 juillet 2026

Questions fréquentes

Peut-on utiliser les nouvelles voix Grok pour une voix off commerciale ? Oui, via l'API TTS de xAI. Les voix sont disponibles pour les développeurs et les studios qui intègrent Grok Voice dans leur pipeline. Vérifiez les conditions d'utilisation commerciale dans la documentation officielle avant de livrer à un client.

Quelle est la différence entre l'API TTS et le Voice Agent Builder ? L'API TTS sert à générer de l'audio à partir de texte dans votre propre application. Le Voice Agent Builder est une interface no-code pour créer des agents vocaux qui répondent au téléphone ou gèrent des conversations en temps réel. Deux cas d'usage distincts.

Grok Voice supporte-t-il le français de façon naturelle ? Oui, le français fait partie des 25 langues couvertes. La qualité dépend de la voix choisie. Les voix multilingues nativement entraînées ont tendance à mieux gérer les nuances prosodiques que les modèles fine-tunés après coup sur une langue cible.

Comment Grok Voice se compare à ElevenLabs pour la voix off vidéo ? ElevenLabs reste plus mature sur le clonage vocal et les outils de direction de voix. Grok Voice est plus compétitif sur le prix et sur la couverture multilingue native. Pour une voix off standard, le test de vos propres scripts est la seule vraie comparaison utile. Voir aussi le guide ElevenLabs Music v2 pour les créateurs vidéo et le tutoriel ElevenLabs pour les voix ultra-réalistes comme points de repère.

Le Voice Agent Builder peut-il gérer des flux complexes avec conditions et branches ? Selon la documentation xAI, le builder supporte des outils externes, du RAG et des garde-fous. Les flux conditionnels complexes sont possibles via les intégrations MCP. La bêta publique est récente, donc les limites exactes sont encore à explorer.

Ces voix sont-elles disponibles en dehors des États-Unis ? Oui, l'API xAI est accessible internationalement. La documentation indique que toutes les voix et le Voice Agent Builder sont disponibles pour les développeurs enregistrés sur la plateforme, quelle que soit la localisation.

Peut-on créer une voix clonée à partir d'un enregistrement avec Grok Voice ? xAI a déjà lancé une fonctionnalité de voix personnalisées (Custom Voices) séparément. Les 21 nouvelles voix sont des voix de bibliothèque, pas du clonage. Pour du clonage vocal, référez-vous aux outils dédiés comme ElevenLabs ou la fonctionnalité Custom Voices de xAI.

À quelle latence peut-on s'attendre avec le pipeline speech-to-speech natif ? xAI communique sur une latence sub-seconde pour le Voice Agent API en mode temps réel. Le chemin natif speech-to-speech évite les sauts entre trois APIs différentes, ce qui réduit structurellement le délai. Les chiffres précis varient selon la charge et la localisation du serveur.