Grok Voice Transcribe 2.0 : la transcription à 0,10 $ l'heure devient le défaut de l'API xAI

Le 18 septembre 2026, xAI a mis en ligne Grok Voice Transcribe 2.0, la nouvelle version de son modèle de transcription de la parole. Le modèle est disponible le jour même dans l’API Speech-to-Text et la documentation, mise à jour le même jour, le présente déjà comme le réglage par défaut. Le prix reste celui de la version précédente : 0,10 $ par heure d’audio en batch, 0,20 $ par heure en streaming. Pour une PME qui accumule des enregistrements, comptes rendus de réunions, appels de clients ou dictées, la facture de la transcription devient marginale. Voici les faits datés, ce que valent les mesures annoncées, et les choix raisonnables pour une PME romande.

Ce qui est annoncé, et ce qui est disponible

Dans l’annonce du 18 septembre 2026, xAI présente Grok Voice Transcribe 2.0 comme son modèle de transcription le plus précis, construit sur le socle audio qui alimente déjà Grok Voice : appels de support client, transcription de vidéos et agents vocaux, dont l’assistant embarqué dans les véhicules Tesla, selon l’éditeur.

Côté disponibilité, la situation vérifiée le 19 septembre 2026 :

• le modèle grok-voice-transcribe-2.0 est utilisable dans l’API Speech-to-Text, en appel REST pour les fichiers et en streaming WebSocket pour le direct ;
• la documentation, datée du 18 septembre, indique que c’est le modèle employé par défaut quand aucun paramètre model n’est transmis ; le texte d’annonce parlait d’un passage en défaut « à venir », les docs sont donc déjà allées plus loin que l’annonce ;
• la version 1.0 reste accessible en épinglant le slug grok-voice-transcribe-1.0, et xAI annonce sa dépréciation « dans les semaines à venir » ;
• pour les intégrations existantes qui ne fixent pas de version, le passage vers la 2.0 se fait sans changement de code, toujours selon l’éditeur.

Le lot de fonctionnalités est celui de la 1.0 : transcription batch et streaming, horodatage au mot avec score de confiance, diarisation (l’identification des locuteurs) sans surcoût, jusqu’à 8 canaux indépendants, 100 termes clés par requête pour protéger les noms de vos produits, mise en forme écrite des nombres, dates et adresses électroniques, suppression des « euh » et « ehm », et détection de fin de tour de parole pour les agents vocaux. La documentation recense 12 formats audio, un fichier limité à 500 Mo et 30 langues pour la mise en forme, français compris.

Côté écosystème, xAI précise que la transcription d’Atlassian Loom s’appuie déjà sur ce socle audio, avec le témoignage d’un dirigeant d’Atlassian dans l’annonce. C’est un signal d’usage réel, présenté par le fournisseur lui-même : à lire comme tel.

Ce que les mesures annoncées valent

Les affirmations de précision viennent toutes de xAI, et il faut les lire comme telles :

• « deux fois plus précis » que Grok Voice Transcribe 1.0 à prix égal, sur les évaluations internes de l’éditeur ;
• première place pour l’exactitude parmi les modèles en streaming sur le classement public d’Artificial Analysis, cité par xAI dans son annonce ;
• en téléphonie (audio 8 kHz d’appels de support), le meilleur score de tous les modèles comparés, sur des jeux internes tirés du trafic de production ;
• sur les commandes vocales courtes en 19 langues, le taux d’erreur par mot passe de 20,6 % à 6,8 %, et le multilingue est présenté comme le plus gros progrès par rapport à la 1.0.

La méthodologie d’Artificial Analysis est publique : un indice pondéré sur trois jeux de données (AA-AgentTalk à 50 %, VoxPopuli à 25 %, Earnings22 à 25 %), avec un taux d’erreur par mot pondéré par la durée audio. Le classement évolue à chaque publication, le nombre exact de modèles comparés change d’une visite à l’autre : la place relative intéresse plus que le rang figé dans un article.

Ce que l’annonce ne fournit pas : une mesure publique spécifique au français sur de l’audio réel de réunion ou d’appel. Les jeux internes cités sont en anglais, hors commandes courtes multilingues. Pour une PME romande, la décision se prend donc sur vos propres enregistrements, pas sur le graphique de l’éditeur.

La facture, à l’heure

Les prix annoncés sont identiques à ceux de la 1.0 :

Usage	Tarif annoncé
Batch (fichier ou URL, traité après coup)	0,10 $ par heure d’audio
Streaming (temps réel, WebSocket)	0,20 $ par heure d’audio

La diarisation, les horodatages et les termes clés sont inclus dans ces prix, selon l’annonce. Exemple indicatif, pas un devis : dix heures de réunions par mois traitées en batch reviennent à environ 1 $, le même volume en streaming à 2 $. On est plusieurs crans sous les agents vocaux conversationnels : GPT-Live-1 facture ses sessions vocales à la seconde et Gemini 3.8 Live se facture à la minute. Ce ne sont pas les mêmes besoins : transcrire un enregistrement existant et tenir une conversation en direct n’ont ni le même usage ni la même échelle de prix. Les tarifs bougent vite, vérifiez la page officielle avant de chiffrer un projet.

Ce que cela change pour une PME romande

Trois usages rentrent directement dans le cadre : transformer les comptes rendus de réunions en texte exploitable, relire les appels de support ou de vente, et passer de la dictée vocale au premier jet de document. Les termes clés par requête servent à faire respecter vos noms de produits ou votre jargon métier, et la mise en forme écrite évite l’étape de nettoyage des nombres et des dates.

Trois points à trancher avant de se lancer. Le volume réel d’heures à traiter : mesurez-le, ne le supposez pas, même si le prix rend l’essai peu risqué. L’endroit où partent vos enregistrements : l’API traite l’audio dans le cloud de xAI, et vos règles internes sur les données clients s’appliquent avant tout envoi (ce qu’une PME peut envoyer à une IA). Le chemin d’intégration : appel direct à l’API ou passage par votre outillage d’automatisation existant ; le calcul économique global ne change pas (combien coûte un agent IA), le prix à l’heure n’est qu’une ligne de la facture.

Si vous utilisez déjà la 1.0, la question est différente : épingler le slug pour rester sur la 1.0, ou migrer dès maintenant vers la 2.0 et comparer l’exactitude sur vos propres fichiers pendant que l’ancienne version existe encore. La dépréciation annoncée « dans les semaines à venir » met une échéance, volontairement floue, sur ce choix.

Les mots techniques, en clair

• Speech-to-text (STT) : transcription automatique de la parole en texte, à distinguer des assistants vocaux qui répondent.
• WER (word error rate) : taux d’erreur par mot, la mesure de référence en transcription ; 6,8 % signifie environ 7 mots faux sur 100.
• Batch : l’audio est envoyé en fichier et transcrit après coup ; streaming : l’audio est transcrit pendant qu’il arrive, pour du direct.
• Diarisation : l’étiquetage des locuteurs dans le transcript (« Locuteur 1 », « Locuteur 2 »), ici sans facturation supplémentaire.
• Termes clés (key terms) : une liste de mots propres à votre activité que le modèle doit reconnaître, jusqu’à 100 par requête.
• Dépréciation : l’annonce du retrait futur d’une version ; ici la 1.0 reste appelable tant que son slug est épinglé.

Questions fréquentes

Grok Voice Transcribe 2.0 remplace-t-il la version 1.0 ?

Oui, par étapes. La documentation du 18 septembre utilise déjà la 2.0 par défaut, et xAI annonce la dépréciation de la 1.0 dans les semaines à venir. Pendant la transition, épingler grok-voice-transcribe-1.0 maintient l’ancienne version ; les intégrations qui ne fixent pas de version basculent sans modification de code, selon l’éditeur.

Quel budget prévoir pour les réunions d’une PME ?

À titre d’exemple arithmétique, pas d’un devis : dix heures d’enregistrements par mois coûtent environ 1 $ en batch et 2 $ en streaming aux prix annoncés. Le poste de coût réel se déplace vers l’intégration, la relecture humaine des transcripts et l’organisation du suivi, pas vers la transcription elle-même.

Mes enregistrements peuvent-ils contenir des données clients ?

L’audio envoyé à l’API est traité par les serveurs de xAI. Avant tout envoi, appliquez vos règles sur les données personnelles et clients, anonymisez quand c’est possible et vérifiez les conditions du fournisseur. C’est le même réflexe que pour tout service IA en ligne.

En résumé

Ce qui est établi : une nouvelle version disponible dans l’API dès le 18 septembre, des prix inchangés et bas, un passage en défaut engagé avec repli possible vers la 1.0. Ce qui relève de l’éditeur : le niveau exact de précision, en particulier en français sur vos propres enregistrements. Ce qu’il reste à faire : un pilote sur quelques fichiers réels, un volume d’heures mesuré et un cadre clair pour les données avant l’envoi.