Grok Voice: Гласови агенти и 21 нови гласа
На тази страница
Обновено на 2 ноември 2026 г. — глас. Grok Voice 3.0 (14 октомври 2026 г.) замества остарялата версия Grok Voice 2.0 на същата цена от $0.08 на минута; псевдонимът
grok-voice-latestсочи към версия 3.0. За транскрипция,grok-voice-transcribe-2.0е моделът по подразбиране; версия 1.0 достигна края на жизнения си цикъл на 2 октомври 2026 г. Допълнение от 3 ноември 2026 г.: Таблицата по-долу е актуализирана (гласовият агент е на цена $4.80 на час вместо $3, записани на 28 юли), а каталогът вече включва 28 вградени гласа. Източници: Ценообразуване · Текст към реч.
Гласовото подразделение на xAI дълго време беше „тихото дете“ в портфолиото: солиден и добре документиран API, но ефективно запазен за екипи, способни на разработка. В началото на юли 2026 г. две последователни обявления промениха това. Те заслужават да бъдат разгледани заедно, тъй като очертават два различни входа към един и същи продукт.
Две обявления, две аудитории
Първото пристигна на 1 юли: Voice Agent Builder. Инструментът обещава създаване на персонализиран гласов агент „за по-малко от 2 минути, без нито ред код“. На практика Вие дефинирате ролята на агента, избирате неговия глас, предоставяте необходимите знания и след това го внедрявате — всичко това през интерфейс, без да пишете код. Това е точно липсващата аудитория в гласовото предложение на xAI: бизнес мениджърът, който иска да прототипира гореща линия или автоматизирана телефонна централа, без да ангажира екип от разработчици. API не изчезва; той остава пътят за дълбоки интеграции, при които гласовият агент трябва да води диалог с Вашата CRM система или система за тикети.
Пет дни по-късно, на 6 юли, xAI обяви 21 нови многоезични „водещи“ гласа за Grok Voice и подобри естествеността на оригиналните пет. За Вас това многоезично разширение е от значение: един гласов агент на английски е достоверен само ако самият глас е такъв. Преди да заключите избора си за даден проект, отделете време да изслушате наличните гласове на целевия език — качеството на изхода варира значително от глас към глас, а смяната на гласа след стартиране на обслужването на клиенти винаги е по-трудна от правилния избор в самото начало.
Каква е цената на Voice API
Ценовата таблица, публикувана на docs.x.ai (записана на 3 ноември 2026 г.), се събира в четири реда и представлява ясни таблични данни:
| Компонент | Цена |
|---|---|
| Гласов агент (реално време, grok-voice-3.0) | $0.08 на минута, или $4.80 на час, плюс $0.004 за текстов вход |
| Текст към реч (TTS) | $15 на милион знака |
| Пакетна транскрипция (STT batch) | $0.10 на час |
| Поточна транскрипция (STT streaming) | $0.20 на час |
Най-интересният ред е първият, и то не само заради сумата. Гласовият агент се таксува на час, а не на токен. Прекият резултат: бюджетът за кол център или гореща линия се изчислява бързо. Ако Вашата услуга обработва 200 часа разговори на месец, Вие знаете, че сметката ще бъде $960 — независимо от многословието на размяната, независимо от сложността на отговорите. Това е ценови модел, който финансовите екипи разбират веднага, докато таксуването базирано на токени изисква винаги крехки прогнози.
Разликата между двата режима на транскрипция също разказва история. Пакетната транскрипция струва $0.10 на час, поточната транскрипция — $0.20: реалното време струва точно двойно. Това е класическият отраслов модел и той изисква проста реакция: плащайте за поточна обработка само там, където непосредствеността наистина служи на случая на употреба. Субтитрите на живо за срещи оправдават реалното време; транскрибирането на записи от обаждания за последващ анализ — никога. Пакетната обработка върши същата работа на половината цена.
Какво променя това във Вашите съществуващи знания
Ако сте преминали нашите курсове „Grok Voice & Audio“, „Voice Agent API“ и „TTS API“, нищо от наученото там не е остаряло. Механиката на изпълнение — WebSocket в реално време, откриване на гласова активност (VAD), аудио формати — остава точно така, както е описана в тези курсове. Добавен е един допълнителен слой: инструмент без код за бързо прототипиране, значително разширен каталог с гласове и горепосочената актуализирана ценова таблица, която Ви позволява да оцените проекта, преди да напишете първия ред код.
На практика правилният подход за екип, нов в темата, сега се състои в прототипиране чрез Voice Agent Builder — две минути са достатъчни, за да чуете как би звучал Вашият случай на употреба — и след това, ако прототипът убеди, преминаване към API за реална интеграция. Обратният ред, започвайки с код, вече няма смисъл за валидиране на идея.
Официален източник: docs.x.ai/developers/models и x.ai/news
Ключови изводи
- Voice Agent Builder: създайте гласов агент без код (1 юли)
- 21 нови многоезични гласа, обявени на 6 юли; 28 гласа в каталога към 3 ноември
- Гласов агент: $4.80 на час (записано на 3 ноември; $3 при записа от 28 юли) — бюджет, изчислен във време, а не в токени
- Транскрипция: $0.10/час пакетна, $0.20/час поточна — плащайте разумно за реално време