Гласов агент и TTS
На тази страница
Обновено на 3 ноември 2026 г. Въз основа на страниците Pricing, Rate Limits, Text to Speech и бележките към изданията на xAI: гласовият агент струва $0.08 на минута (не $0.05), TTS е на цена от $15 на милион знака (не $4.20), едновременните сесии зависят от нивото (не 100, нито 30 минути на сесия), TTS е достъпен от март 2026 г.; нивата се прилагат автоматично към гласовите модели, докато за Imagine е необходимо да се свържете с отдела за продажби. Източници: Pricing · Rate limits · Release notes.
Аудио възможности на Grok
xAI предлага две аудио услуги чрез своето API: Гласов агент (Speech to Speech API), достъпен от декември 2025 г., за гласови разговори в реално време, и Text-to-Speech (TTS), достъпен от март 2026 г., за синтез на реч. Тези услуги Ви позволяват да изградите пълноценни гласови разговорни интерфейси – от автоматизирани телефонни системи до вградени гласови асистенти.
API за гласов агент
API за гласов агент Ви позволява да създавате двупосочни гласови разговори в реално време. Потребителят говори, моделът слуша, разбира и отговаря устно – всичко това с латентност, достатъчно ниска за естествен разговор.
Основни характеристики
- Модел:
grok-voice-3.0, към който сочи псевдонимътgrok-voice-latest - Едновременни сесии: 10 на началното ниво, след това 20, 50, 100 и 200 в зависимост от нивото
- Ценообразуване: $0.08 на минута, или $4.80 на час, плюс $0.004 за текстов вход
- Реално време: латентността е оптимизирана за естествен разговор
Варианти на употреба
Гласовият агент е проектиран за сценарии, в които гласовото взаимодействие добавя стойност спрямо текста:
- Автоматизирано обслужване на клиенти – телефонно поздравление, насочване на обаждания, отговори на чести въпроси
- Вградени гласови асистенти – в мобилни приложения или IoT устройства
- Гласово обучение – образователна подкрепа чрез глас
- Достъпност – гласов интерфейс за потребители, които не могат или предпочитат да не пишат
Съображения относно разходите
При цена от $4.80 на час, Гласовият агент е икономически изгоден за кратки и случайни взаимодействия. Разходите обаче могат да станат значителни за услуги с голям обем. Обаждателен център, обработващ 1000 часа разговори на месец, би представлявал бюджет от $4800.
Системата с нива се прилага и за гласовите модели, точно както за текстовите: нивото зависи от Вашите кумулативни разходи и никога не намалява. За повишаване на лимитите за Imagine обаче трябва да се свържете с отдела за продажби на xAI.
Text-to-Speech (TTS)
Услугата TTS конвертира текст в реч с висококачествени синтетични гласове. Таксуването се извършва въз основа на обема на конвертирания текст.
Цени и лимити
| Услуга | Разход | Лимит |
|---|---|---|
| Text-to-Speech | $15 / 1M знака | 50 заявки в секунда и 100 едновременни сесии на начално ниво |
За да оцените разходите си: блог пост от 5000 знака би струвал около $0.075 за конвертиране в аудио. Аудиокнига от 500 000 знака би струвала около $7.50.
Налични гласове
xAI предлага 28 вградени гласа (към 3 ноември 2026 г.), общи както за TTS, така и за Гласовия агент, с различни тоналности и употреби, както и персонализирани гласове, създадени от кратък аудио клип. Вие избирате гласа по време на заявката към API, което Ви позволява да го адаптирате към контекста – професионален глас за доклад, топъл глас за урок.
Приложения на TTS
- Автоматизирани подкасти – трансформиране на Вашите блог постове в аудио съдържание
- Разказвачество – добавяне на аудио слой към Вашите образователни приложения
- Достъпност – правене на текстовото съдържание достъпно за хора с увредено зрение
- Гласови известия – говорими предупреждения и напомняния в приложенията
- Е многоезично съдържание – генериране на аудио версии на различни езици
Гласов агент срещу TTS: Коя услуга да изберете?
Разликата е проста:
- Гласов агент: за интерактивни разговори в реално време. Потребителят говори, моделът отговаря. Връзката е двупосочна.
- TTS: за еднопосочно конвертиране на текст в реч. Няма взаимодействие, само синтез на глас.
Ако изграждате разговорен асистент, ще Ви е необходим Гласовият агент. Ако просто искате да прочетете текст на глас, TTS е достатъчен.
Интеграция в съществуваща архитектура
Аудио услугите на Grok се интегрират в същото API като текстовите и изображенските модели. Използвате същите API ключове, същата система за фактуриране и същия таблото за управление на console.x.ai.
Тази унификация значително опростява архитектурата: един проект може да използва Grok 4.5 за разсъждения, grok-build-0.1 за код, Grok Imagine за визуализации и Гласовия агент за устно взаимодействие, всичко това с една единствена разработческа сметка.
Цените са проверени на 3 ноември 2026 г. – цените се променят редовно: преди всяко изчисление на бюджета, проверете актуалния ценови лист на официалната страница за цени на xAI.
Ключови изводи
- Гласовият агент струва $0.08/мин ($4.80/час) за разговори в реално време
- TTS струва $15 на милион знака за синтез на реч
- Гласов агент: от 10 до 200 едновременни сесии в зависимост от нивото
- TTS: 100 едновременни заявки
- Гласов агент = двупосочен, TTS = еднопосочен
- Повишаването на нивото за Voice/Imagine изисква ръчна заявка