Face à des serveurs vocaux trop rigides, Eleven V3 Conversationnel API supprime le codage SSML au profit de connexions WebSockets expressives en temps réel. Pour les entreprises, c'est l'opportunité de déployer des agents clients ultra-réalistes dotés d'émotions à la volée, maximisant l'engagement et le ROI. Eleven v3 est sorti de sa phase alpha et a été déclaré disponible de manière générale le 2 février 2026. Le modèle eleven_v3_conversational a ensuite été ajouté aux agents le 9 février, avant la présentation d’Expressive Mode pour ElevenAgents le 10 février. En août 2026, la documentation publique distingue clairement ce modèle de synthèse en temps réel, l’API Text to Dialogue et les fonctions d’orchestration complètes d’ElevenAgents. Le modèle annonce une latence d’environ 280 ms, contre environ 75 ms pour Eleven Flash v2.5, tout en ajoutant une plage émotionnelle plus large et plus de 70 langues. Expressive Mode associe Eleven v3 Conversational à un système de prise de tour alimenté par Scribe v2 Realtime ; l’API Text to Dialogue utilisée seule ne transcrit pas la voix de l’utilisateur et ne constitue donc pas un agent vocal complet. Les travaux autour de la voix IA pro Française de Charles Pestel par ElevenCreative illustrent l’importance de l’identité acoustique, mais ElevenLabs précise que v3 Conversational ne préserve pas encore fidèlement les caractéristiques des Professional Voice Clones. Pour les organisations, l’enjeu consiste donc moins à remplacer immédiatement leur pile vocale qu’à tester un nouveau compromis entre expressivité, latence, maîtrise du flux et cohérence de marque sur des cas d’usage mesurables. L’évolution d’ElevenLabs vers un streaming Text to Dialogue plus expressif marque une rupture avec l’époque où la voix de synthèse se contentait d’aligner des phonèmes sans relief. Lorsqu’un modèle interprète des micro-indications comme un soupir ou un rire, la technologie ne cherche plus seulement à être comprise : elle tente aussi de produire une intention perceptible. Cette évolution pose une question centrale : jusqu’où faut-il scénariser l’empathie d’une machine sans la présenter comme un sentiment réel ? Un chuchotement synthétique peut modifier la perception d’un message, mais son effet ne doit pas être présumé. Pour les créateurs, le défi sera de scénariser les silences, les hésitations et les accents tout en testant leur réception, leur accessibilité et leur cohérence culturelle, afin d’éviter une expressivité artificielle ou manipulatrice. L’avenir de l’audio interactif résidera probablement dans la combinaison de plusieurs briques : synthèse expressive, transcription, raisonnement et gestion du tour de parole. Dans ElevenAgents, Scribe v2 Realtime peut exploiter des signaux prosodiques pour aider à déterminer quand répondre ; dans l’API Text to Dialogue seule, cette intelligence d’écoute n’est pas incluse. La réussite dépendra donc autant de l’orchestration et de la mesure que de la qualité acoustique du modèle.