Grok Voice Transcribe 2.0 revendique une précision doublée pour le même tarif de 10 cents

Pour une API qui coûte dix cents de l'heure, ce qui frappe dans le nouveau modèle vocal de SpaceXAI n'est pas le prix. C'est ce que l'entreprise affirme avoir obtenu pour ce prix.

À lire aussi: SpaceXAI livre Grok 4.7 pour le code aux prix de Grok 4.6, avec ses propres benchmarks à l'appui · OpenAI déplace l'entraînement de ses modèles de frontière hors d'Internet, vers une copie en cache du Web.

Le 18 septembre 2026, SpaceXAI a publié Grok Voice Transcribe 2.0, un modèle de reconnaissance vocale qu'elle décrit comme deux fois plus précis que Grok Voice Transcribe 1.0, tout en conservant les mêmes tarifs publics : 0,10 $ par heure d'audio pour la transcription par lots et 0,20 $ par heure pour le streaming (SpaceXAI). La société affirme que le modèle occupe la première place en précision parmi 32 modèles de streaming sur le classement public d'Artificial Analysis, et que sur un ensemble de phrases courtes d'assistants vocaux en 19 langues, le taux d'erreur sur les mots est passé de 20,6 % à 6,8 %.

Ce sont des chiffres de l'entreprise, mesurés sur des évaluations internes, et cette précision compte. La tendance de fond, elle, ne fait pas de doute : la reconnaissance vocale devient à la fois moins chère et meilleure, et les fournisseurs qui la vendent rivalisent de plus en plus sur l'audio qu'ils peuvent utiliser pour l'entraînement plutôt que sur le seul modèle.

Ce que SpaceXAI a réellement livré

Grok Voice Transcribe 2.0 est un modèle hébergé, disponible via l'API Grok Voice sous l'identifiant grok-voice-transcribe-2.0. Il traite aussi bien des fichiers enregistrés que des flux en direct avec les mêmes poids, et SpaceXAI affirme que les intégrations Speech-to-Text existantes bénéficient de l'amélioration de précision sans modification du code (MarkTechPost). Aucun poids n'est ouvert, l'auto-hébergement n'est donc pas possible.

La tarification est inchangée par rapport à la version 1.0, ce qui correspond à environ 1,67 $ pour 1 000 minutes en lots et 3,33 $ pour 1 000 minutes en streaming. À ces tarifs, 1 000 heures d'audio enregistré coûtent environ 100 $ à transcrire. Des fonctionnalités qui étaient facturées à l'unité il n'y a pas si longtemps sont désormais incluses : diarisation des locuteurs sans coût supplémentaire, horodatages au niveau du mot avec scores de confiance, transcription multicanale jusqu'à huit canaux, pondération par termes clés jusqu'à 100 termes de domaine par requête, formatage en langue écrite des nombres, dates, devises et coordonnées, suppression des mots parasites et détection intelligente des tours de parole pour les agents vocaux.

Le modèle est bâti sur le modèle de fondation audio qui sous-tend Grok Voice. SpaceXAI affirme que ce système traite déjà des dizaines de milliers d'appels au service client par jour, transcrit des millions d'heures de commentaires vidéo et fait tourner des agents vocaux dans des produits physiques, notamment l'assistant Grok des véhicules Tesla. Ces chiffres d'usage sont déclarés par l'entreprise, mais ils expliquent la stratégie : la société s'entraîne sur de l'audio réel, bruyant et multilingue issu de déploiements concrets, des données que les benchmarks en studio ne capturent pas.

C'est dans le traitement multilingue que SpaceXAI situe le saut de génération le plus important. Le modèle transcrit des dizaines de langues, détecte automatiquement la langue et suit un changement de langue en cours d'enregistrement en une seule passe. Cela compte pour les commandes courtes sur lesquelles reposent les systèmes embarqués et les assistants vocaux, où le modèle dispose de très peu de mots autour pour déterminer quelle langue il entend.

SpaceXAI indique que la version 2.0 deviendra bientôt la version par défaut de l'API Speech-to-Text et que la version 1.0 sera dépréciée dans les semaines à venir. Les développeurs qui doivent rester sur la 1.0 peuvent épingler grok-voice-transcribe-1.0 pendant la transition.

Comment lire « deux fois plus précis »

La comparaison mise en avant porte sur le prédécesseur de SpaceXAI lui-même, pas sur un concurrent. SpaceXAI affirme mesurer le taux d'erreur sur les mots sur quatre ensembles internes issus du trafic de production : la téléphonie du service client à 8 kHz, les conversations avec Grok, les identifiants énoncés à l'oral comme les codes de compte et les adresses e-mail, et les commandes vocales multilingues courtes (The Next Web).

Le chiffre le plus précis qu'elle ait publié concerne l'ensemble de phrases courtes, où les taux d'erreur sont passés de 20,6 % à 6,8 % dans 19 langues. Les comptes rendus de l'annonce citent des chiffres de l'entreprise de 8,7 % à 3,3 % sur l'audio conversationnel, de 10,6 % à 7,1 % sur la téléphonie et de 7,2 % à 3,2 % sur les identifiants énoncés à l'oral (Basenor). La société affirme devancer tous les modèles qu'elle a testés sur l'ensemble téléphonique, échantillonné au débit compressé de 8 kHz typique d'un appel. Ses propres graphiques se comparent à Gemini 3.5 Transcribe, MAI-Transcribe-2, ElevenLabs Scribe v2, Deepgram Nova-3 et Whisper Large v3.

Du côté indépendant, le tableau de streaming d'Artificial Analysis affiche un taux d'erreur de transcription finale rapporté de 2,7 % pour le nouveau modèle, environ 0,49 seconde après la fin de la parole, contre 3,9 % pour GPT Live Transcribe d'OpenAI (OrcaRouter). Le même compte rendu situe le taux d'erreur en lots à 2,3 %. Ce sont des lectures d'un classement qui évolue à mesure que les fournisseurs soumettent des modèles, le chiffre comme le rang bougent donc.

Une entreprise nommée SpaceXAI

L'annonce est publiée sous un nom qui a encore du mal à s'imposer. xAI a été fondée en mars 2023 comme société d'IA d'Elon Musk. SpaceX l'a rachetée le 2 février 2026 dans une opération entièrement en actions valorisant xAI à 250 milliards de dollars (CNBC). En mai 2026, Musk a déclaré que xAI cesserait d'exister en tant que société distincte, et en juillet, l'entité fusionnée a été rebaptisée SpaceXAI (Engadget). Les médias, cet article compris, continuent par habitude de parler de « xAI ». L'entreprise n'utilise plus ce nom, et sa documentation développeur comme son pied de page portent désormais SpaceXAI.

Loom est le premier client

Le signal tiers le plus concret est un déploiement, pas un benchmark. Atlassian indique avoir testé Grok Voice Transcribe 2.0 face à son fournisseur existant, l'avoir trouvé plus précis et l'utiliser désormais pour transcrire chaque vidéo Loom. Sanchan Saxena, vice-président senior d'Atlassian pour sa Teamwork Collection, a présenté le travail sous l'angle de la suite donnée aux transcriptions : un plan d'action enregistré dans Loom devient une transcription, la transcription est transmise à l'agent de codage Cursor, et les modifications demandées sont effectuées.

La concurrence et l'écart de prix

OpenAI a scindé sa gamme de transcription en deux le 28 juillet 2026. gpt-transcribe traite les fichiers terminés et les tours validés à 0,0045 $ par minute, tandis que gpt-live-transcribe gère le streaming à faible latence à 0,017 $ par minute (OpenAI). Normalisé, cela représente environ 4,50 $ et 17 $ pour 1 000 minutes.

Les tarifs de streaming de Grok et de GPT Live Transcribe atterrissent à peu près au même point, autour de 3,33 $ pour 1 000 minutes. Sur le créneau des fichiers, ce n'est pas le cas : les 1,67 $ de Grok contre les 4,50 $ d'OpenAI représentent un écart d'environ 63 %, porté par la facturation à la minute d'OpenAI sur un modèle dont le prix a été réduit de 25 % au lancement, tandis que SpaceXAI a simplement maintenu son ancien tarif. Le MAI-Transcribe-2 de Microsoft est arrivé au même tarif de 0,10 $ par heure, ce qui suggère que ce chiffre devient le plancher des laboratoires de pointe pour le travail par lots plutôt qu'une promotion d'un seul fournisseur.

L'arbitrage entre les deux leaders n'est pas un match à sens unique. Les lectures du tableau d'Artificial Analysis placent Grok en tête sur la précision de la transcription finale et sur la première transcription partielle, l'estimation précoce sur laquelle un agent vocal agit avant que l'interlocuteur ait fini de parler. OpenAI l'emporte encore sur le délai avant la première partielle, environ 0,26 seconde contre 0,49 pour Grok, si bien qu'une équipe qui préfère arriver tôt qu'avec justesse a une raison de rester. La précision de la partielle est le chiffre qui décide si un agent interrompt, escalade ou patiente, et les deux fournisseurs se situent de part et d'autre de ce choix.

Scribe v2 d'ElevenLabs et Nova-3 de Deepgram se situent dans la même bande et figurent à la fois sur le classement public et dans les comparaisons internes de SpaceXAI. Ils rivalisent désormais sur les mêmes axes : la précision sur de l'audio bruité, la latence et la part de la chaîne de traitement qu'un fournisseur intègre au tarif de base.

Ce que change une transcription bon marché

À dix cents de l'heure, la transcription cesse d'être une ligne budgétaire qui pèse sur les décisions produit pour devenir une matière première banalisée. Les conséquences vont dans plusieurs directions.

Pour les centres d'appels, une conversation avec le support peut être transcrite, recherchée et notée à un coût assez faible pour être appliqué à chaque appel plutôt qu'à un échantillon. Les agents vocaux deviennent moins chers à exploiter et plus faciles à évaluer, car la transcription qui vérifie ce qu'un agent a entendu n'est plus la partie coûteuse. Pour les entreprises de médias, les archives de podcasts et de vidéos trop volumineuses pour être retranscrites auparavant deviennent une facture ponctuelle de quelques centaines de dollars. Pour l'accessibilité, le sous-titrage en direct se rapproche d'un réglage par défaut plutôt que d'une option premium.

L'intégration de la diarisation, des horodatages et de la pondération par termes clés va dans le même sens. C'étaient des fonctionnalités facturées il n'y a pas si longtemps, et SpaceXAI les a fondues dans le prix de base tout en améliorant le modèle. La pression concurrentielle pèse donc moins sur le modèle que sur le service qui l'entoure : rétention, débit, latence et la confiance dont un client régulé a besoin avant de faire passer de l'audio sensible par un tiers.

La réserve à surveiller

Un détail de l'annonce mérite plus d'attention qu'il n'en a reçu. SpaceXAI indique que l'un de ses ensembles d'évaluation est constitué de personnes lisant des identifiants à voix haute : codes de compte, numéros de téléphone, adresses e-mail et adresses postales. Rien dans l'annonce ne dit comment cet audio a été collecté, conservé ou fait l'objet d'un consentement, et en Europe un appel au support implique deux parties alors qu'une seule a un contrat avec le fournisseur (The Next Web).

C'est une question qui vaut pour tout fournisseur s'entraînant sur de l'audio d'appels, SpaceXAI compris. Elle souligne aussi ce que l'entreprise vend réellement. À dix cents de l'heure, le modèle est presque gratuit ; l'actif durable, c'est le flux de conversations réelles qui le traversent et la précision que ce flux achète.

Ce qu'il faut surveiller

Trois éléments détermineront si ce lancement compte au-delà de son annonce. Le premier est de savoir si des évaluations indépendantes, et non celles du fournisseur, confirment l'amélioration sur les phrases courtes que SpaceXAI met au centre. Le deuxième est la tenue du plancher de prix en lots à mesure qu'OpenAI, Microsoft et les fournisseurs spécialisés réagissent, car un écart de 63 % sur la transcription de fichiers est le genre de chiffre qui oblige à répondre. Le troisième est la dépréciation : un changement de version par défaut sur une API active déplace d'un coup toutes les intégrations non épinglées, et les avis de migration dans les boîtes des développeurs seront le premier vrai test de la performance du nouveau modèle sur l'audio des autres.

Couverture : Elon Musk, photographie de Debbie Rowe (CC BY-SA 4.0) via Wikimedia Commons, recadrée en 16:9.