Премини към основното съдържание
Български— Изберете език
Меню

Запознайте се с гласовия агент Grok

Урок 1 от 14 Обновен 3 ноември 2026 г. Средно
На тази страница
  1. Гласов агент за разговори в реално време
  2. Как работи връзката
  3. Аудио цикълът
  4. Какво може да прави агентът, докато говори
  5. Ограничения, за които трябва да планирате от първия ден
  6. Ключови изводи

Обновено на 3 ноември 2026 г. Grok Voice 3.0, пуснат на 14 октомври 2026 г., заменя остарялата версия Grok Voice 2.0 на същата цена от $0.08 на минута, а псевдонимът grok-voice-latest вече сочи към версия 3.0. За транскрипция моделът по подразбиране е grok-voice-transcribe-2.0; версия 1.0 достигна края на жизнения си цикъл на 2 октомври 2026 г. Източници: Цени · Ограничения на честотата.

Гласов агент за разговори в реално време

API на гласовия агент Grok Ви позволява да изградите асистенти, които водят живи гласови разговори с Вашите потребители. Архитектурата е това, което го отличава от класическата настройка. Класическият подход свързва три услуги, всяка зад собствен HTTP заявка: превръщане на реч в текст, текстов отговор и след това превръщане на текст в реч. Гласовият агент вместо това предава всичко чрез една единствена постоянна WebSocket връзка. Потребителят говори, а моделът слуша, разбира и отговаря на глас, без тристранно пътуване до мрежата и обратно.

Grok Voice Agent

Ще усетите разликата веднага. Тръбопроводът от три стъпки оставя празнина от няколкостотин милисекунди след всяко изречение. Разговорът с Гласовия агент прилича повече на телефонно обаждане: другата страна продължава оттам, където сте спрели, можете да се намесите и тя продължава нататък. Тази приемственост е това, което отличава телефонното меню, което клиентите търпят, от асистент, с когото са доволни да разговарят.

$0.08
на минута
28
вградени гласа
10
едновременни сесии в началното ниво
$4.80
на час

Как работи връзката

Всичко работи през WebSocket, което поддържа двупосочен канал отворен между Вашето приложение и xAI. Свържете се с крайната точка wss://api.x.ai/v1/realtime и поставете Вашия API ключ в заглавката за оторизация, точно както бихте направили за REST заявка:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Сървърът отговаря със събитието session.created, за да потвърди, че връзката е отворена. Не третирайте връзката като готова, докато това събитие не пристигне: то е Вашият сигнал да изпратите конфигурацията си в съобщение session.update. Приложение, което изпраща конфигурацията си, преди да се появи session.created, може да се държи нестабилно при стартиране.

Аудио цикълът

След като сесията бъде конфигурирана, данните текат в добре дефиниран цикъл. Вашето приложение заснема аудио от микрофона, кодира го в base64 и го изпраща на малки части с input_audio_buffer.append. Този вход е непрекъснат: не чакате потребителят да завърши изречението, преди да започнете изпращането. Междувременно сървърът изпълнява откриване на гласова активност (VAD), което самостоятелно разпознава кога потребителят започва и спира да говори. След това Grok обработва казаното, тълкува го в контекста на разговора и генерира отговор. Аудиото на отговора се предава обратно към Вас чрез response.output_audio.delta, част по част, също в base64.

Предимството на този дизайн е, че не пишете никаква логика за редуване на репликите. Вие не решавате кога потребителят е приключил и не задействате генерирането сами. Сървърът се справя с това, а всичко, което трябва да направите, е да възпроизведете аудиото, щом пристигне. Цикълът се повтаря, докато разговорът приключи.

Какво може да прави агентът, докато говори

Гласовият агент може да прави повече от просто чат: той може да извиква инструменти по средата на разговора. Разполага с уеб търсене за информация в реално време, търсене в X за публикации в платформата, персонализирани функции за извикване на Ваши собствени API, търсене на файлове за преглед на колекции от векторизирани документи и връзки със сървъри на MCP (Model Context Protocol) за достъп до стандартизирани външни инструменти.

Ето как изглежда това на практика. Клиент се обажда, за да провери статуса на поръчка. Докато агентът го занимава с едно-две изречения, той прави заявка към Вашата база данни чрез персонализирана функция и след това прочита датата на доставка. Или си представете асистент за планиране, който проверява календар чрез MCP сървър и незабавно предлага три времеви слота. И в двата случая потребителят не забелязва, че е било извикано API.

Ограничения, за които трябва да планирате от първия ден

Две ограничения оформят Вашата архитектура. Първото е броят на едновременните сесии: 10 в началното ниво, след това 20, 50, 100 и 200 в зависимост от нивото на Вашия екип. Сравнете това число с Вашия максимален обем обаждания, преди да преминете към продукционна среда. Второто е цената: $0.08 на минута, или $4.80 на час, плюс $0.004 за текстов вход. Таксуването е на минута, затваряйте сесиите, които никой не използва. Текущата документация не определя максимална дължина на сесията. За дълги разговори или след прекъсната връзка, възобновяването на сесията възпроизвежда историята, която се съхранява в продължение на 30 минути след последната активност. Аудиото по подразбиране е 24 kHz PCM и можете да промените формата, за да отговаря на Вашия канал.

Цените са проверени на 3 ноември 2026 г. Цените се променят често: преди да планирате какъвто и да е бюджет, проверете текущите тарифи на официалната страница за цени на xAI.

Ключови изводи

  • Гласовият агент Grok работи през WebSocket за гласови разговори в реално време
  • Откриването на гласова активност (VAD) работи на сървъра, което опростява Вашия код
  • Агентът може да използва инструменти (уеб, X, функции, файлове, MCP) по време на разговора
  • Струва $0.08 на минута ($4.80 на час); едновременните сесии варират от 10 до 200 в зависимост от Вашето ниво