Quel modèle speech-to-speech choisir pour des conversations longues ?

Benchmark d'octobre 2026 · GPT-Live-1, Grok Voice 3.0, Gemini 3.8 Live et Gemini 3.1 Flash Live · Appels en français

• 460+ minutesd'appels sur quatre modèles, relues question par question
• 32 parcoursde questions en 33 appels, avec le même acheteur et le même prompt
• 4 règlesde prompt qui fiabilisent un questionnaire long

Le point de départ : une voix à choisir, un script à tenir

Un assistant de recherche immobilière qualifie des acheteurs au téléphone. En un appel de 6 à 12 minutes, il a 24 questions à poser sur le projet de l'acheteur. Chaque question qu'il ne pose pas, c'est une information qui manque en fin d'appel.

Pour ce type d'appel, le speech-to-speech offre l'expérience la plus naturelle. Un seul modèle entend et répond en voix, sans transcription ni voix de synthèse ajoutée au bout : l'intonation suit la conversation, le modèle gère lui-même les interruptions, et la réponse part en une étape au lieu de trois (voir notre page sur les agents vocaux IA speech-to-speech).

Choisir un modèle speech-to-speech revient alors à peser deux critères. Le premier, c'est ce qu'on entend : sa voix, son rythme, sa façon de réagir. Vous et vos appelants en jugez à l'écoute ; ce banc ne le mesure pas. Le second, c'est la fiabilité. Ces modèles sont moins déterministes : le même appel, rejoué, ne suit pas le même chemin, et sur un script long, certaines questions peuvent ne jamais être posées.

Cet article mesure le second critère sur quatre modèles : GPT-Live-1, Grok Voice 3.0, Gemini 3.8 Live et Gemini 3.1 Flash Live. Sa question est pratique : si vous préférez un modèle pour sa voix, jusqu'où le prompt peut-il le rendre fiable, et quand faut-il changer de modèle ? Nous avons mesuré en deux temps : des appels avec le prompt d'origine, puis les mêmes appels une fois les tournures fragiles du script réécrites.

La méthode

L'agent. Le script compte 24 questions, 27 avec leurs sous-questions, et le prompt environ 21 000 caractères. Le prompt, ce sont les instructions écrites que suit l'agent. C'est le type d'agent que décrit notre page sur la préqualification des appels.

Les appels. Le même agent, avec le même prompt, tourne sur les quatre modèles, lancés par vagues d'un appel par modèle. Gemini 3.8 Live est le choix par défaut que Google recommande pour les agents vocaux à faible latence (skill Live API, guide de migration). Tous appellent le même acheteur simulé, lui-même un modèle, qui répond selon une fiche fixe ; l'agent reçoit chaque fois le même contexte sur lui.

Deux séries. 33 appels avec le prompt d'origine, 8 ou 9 par modèle, puis 24 avec le prompt ajusté, 6 par modèle : plus de 460 minutes de conversation.

Premier constat : d'un modèle à l'autre, de 89 % à 98 % des questions posées avec le prompt d'origine

Avec le prompt d'origine, les quatre modèles posent de 89 % à 98 % des questions dues. Ce qui varie d'un appel à l'autre, c'est le parcours : même acheteur, même prompt, les 33 appels suivent 32 parcours différents.

Prompt d'origine, 8 ou 9 appels par modèle :

• GPT-Live-1 pose le plus de questions et dispose de 99 % des informations en fin d'appel. Il saute significativement moins de questions que Gemini 3.1 Flash Live (de -4,38 à -0,12 par appel), le seul écart significatif de cette série. C'est aussi lui qui fait le plus répéter.
• Grok Voice 3.0 fait le moins répéter, et c'est le plus régulier : 19 questions sur 27 ont le même sort dans tous ses appels.
• Gemini 3.8 Live pose autant de questions que Grok Voice 3.0, mais fait répéter 1,44 fois par appel, contre 0,38.
• Gemini 3.1 Flash Live est le moins régulier : 6 questions sur 27 au même sort dans tous ses appels, de 12 à 21 questions posées selon l'appel. Un seul de ses 8 appels en saute 10.

Le même appel, rejoué, ne suit pas le même chemin : jugez un modèle sur plusieurs appels, jamais sur un seul.

Ce que le prompt peut corriger : quatre tournures fragiles, quatre règles

Les relecteurs ont classé chaque question perdue selon ce qui l'a provoquée. Une partie des pertes vient de la façon dont le script est écrit, dans quatre types de tournures : une relance prévue « au tour suivant », une contre-question de l'acheteur jamais bouclée, une question remplacée par l'annonce d'une tâche, et un bloc de questions sans phrase de passage. La figure 3 compte, modèle par modèle, les pertes des trois premières ; elles ne piègent pas les mêmes modèles :

• Gemini 3.8 Live est le plus exposé, surtout aux contre-questions (7) et à la tâche (5) : il pose une même question de fin de script sans obtenir la réponse dans 7 appels sur 9.
• Grok Voice 3.0 bute surtout sur la tâche : 4 questions remplacées par son annonce. La question qui la précède, sur ce qui pèse le plus à l'acheteur, est sautée dans 4 appels sur 8.
• Gemini 3.1 Flash Live n'oublie qu'une relance. Ses pertes viennent surtout d'un appel où il raccourcit le parcours de 10 questions.
• GPT-Live-1 ne compte que 3 défaillances en 8 appels.

Ces tournures sont écrites dans le script : c'est donc là qu'elles se corrigent. Cinq passages de ces quatre types sont réécrits, et le reste du prompt ne change pas. Chaque tournure a sa règle :

Deuxième constat : d'un modèle à l'autre, pas la même capacité à s'améliorer grâce au prompt

Sur les cinq passages réécrits, tous modèles confondus, l'information est obtenue dans 82 % des cas avant (136 sur 165), 91 % après (109 sur 120). Sur l'ensemble des questions, la part des questions dues posées reste à 94 % (93,8 % avant, 94,4 % après). Les redemandes passent de 1,33 à 1,00 par appel, les questions sautées de 1,24 à 0,79.

En chiffres, sur les trois mesures :

Modèle par modèle, ce que l'ajustement change, et ce qui reste :

• Gemini 3.1 Flash Live gagne le plus : de 89 % à 96 % de questions posées, et de 33 sur 40 à 29 sur 30 sur les passages réécrits. Il saute encore deux fois la question du calendrier.
• GPT-Live-1 fait significativement moins répéter : de 2,25 à 1,33 redemandes par appel (de -1,71 à -0,17). Il pose toujours presque toutes les questions, et fait toujours plus répéter que Grok Voice 3.0 et Gemini 3.1 Flash Live (0,33 et 0,50).
• Gemini 3.8 Live progresse sur les passages réécrits (31 sur 45, puis 25 sur 30), pas sur l'ensemble : 94 % puis 93 % de questions posées. Il saute encore la question sur ce qui pèse le plus à l'acheteur dans 3 appels sur 6, et une fois tout un bloc.
• Grok Voice 3.0 fait toujours le moins répéter, 0,33 fois par appel, et ne saute que 4 questions en 6 appels. Mais il termine lui-même un appel au milieu du script, laissant 8 questions sans réponse : d'où 94 % puis 90 %.

Le prompt rend un modèle plus fiable jusqu'à un certain point : il corrige les tournures fragiles, il ne nivelle pas les modèles.

Quel modèle choisir ?

Commencez par la voix : le modèle que préféreront vos appelants n'est pas forcément le plus fiable, et ce banc ne peut pas le choisir à votre place. Rendez-le ensuite fiable par le prompt, et ne changez de modèle que lorsque le prompt ne suffit plus.

Sur ce script, si vous préférez :

• GPT-Live-1 : il pose presque toutes les questions dès le départ ; l'ajustement le fait surtout moins répéter.
• Grok Voice 3.0 : il fait le moins répéter ; surveillez les fins d'appel.
• Gemini 3.1 Flash Live : il gagne le plus à un script bien écrit ; réécrivez d'abord les quatre tournures.
• Gemini 3.8 Live : l'ajustement le fait peu bouger ; si les questions qu'il saute comptent pour vous, testez un autre modèle.

Limites

• La voix n'est pas mesurée : le banc compte des questions ; il ne juge pas ce que donne un modèle à l'écoute.
• Un acheteur simulé, une langue : un seul acheteur simulé, lui-même un modèle, et des appels en français uniquement.
• Peu d'appels : 8 ou 9 par modèle avant l'ajustement, 6 après ; deux écarts seulement sont significatifs.
• Du speech-to-speech seulement : le banc compare quatre modèles speech-to-speech entre eux ; aucun pipeline n'y a été mesuré.

Annexe : les prompts ajustés

Quatre morceaux à coller tels quels ; remplacez les crochets par vos questions. La skill CallShift les contient aussi.

1. Une phrase de passage avant chaque bloc. Dans les règles de conduite :

Avant chaque bloc du script, une phrase de passage, seule dans son tour : ce qu'on aborde et pourquoi. Tu poses la première question du bloc au tour suivant.

Dans le script, en tête de chaque bloc :

[Nom du bloc] (phrase de passage d'abord) : "[Je passe à ..., parce que ...]"

2. Jamais de question différée « au tour suivant ». Dans le script, à la place de « puis, au tour suivant : … » :

Q[n] bis. Dans son propre tour, juste après sa réponse à Q[n] : "[question]". C'est une question à part entière : tu ne passes pas à Q[n+1] sans l'avoir posée.

3. Après une contre-question, répondre puis reposer. Dans les règles de conduite :

Si la personne te pose une question, tu réponds en une phrase, puis tu reposes ta question. Revenir au fil, c'est reposer la question en cours tant qu'elle n'y a pas répondu, jamais passer à la suivante.

Dans le script, sur une question de choix :

Si la personne te demande une précision pour choisir, réponds en une phrase, puis : "Alors, tu prends lequel ?" Tu attends son choix avant d'avancer.

4. Toujours poser la question avant d'annoncer la tâche. Dans le script, sur la question suivie d'une tâche :

Q[n]. "[question]" Pose-la toujours, même si la personne en a déjà parlé en passant.
TÂCHE seulement après sa réponse à Q[n], jamais à la place de Q[n] : une demi-phrase qui nomme ce que tu prends en charge.