Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Grok Voice: konverzace hlasem

Lekce 13 z 16 Aktualizováno 3. listopadu 2026 Začátečník
Na této stránce
  1. Mluv s Grokem
  2. Voice Agent: konverzace v reálném čase
  3. Text-to-Speech: čtení textu nahlas
  4. Co hlas mění pro firmy
  5. Kolik to stojí
  6. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránek xAI Text to Speech, Speech to Speech, Pricing a Rate limits: 28 vestavěných hlasů, aktuální ceny, souběžné relace podle úrovně a ukázkový kód využívající koncový bod xAI POST /v1/tts. Zdroje: Text to Speech · Pricing · Rate limits.

Mluv s Grokem

Po textu a obrazech přichází na řadu hlas. S asistentem můžeš vést skutečné mluvené konverzace, ale hned na začátku si musíš ujasnit rozdíl mezi dvěma službami, které si lidé často pletou: Voice Agent, navržený pro interaktivní konverzace v reálném čase, a Text-to-Speech (TTS), který pouze převádí text na zvuk. První poslouchá a odpovídá, druhý čte. Výběr té špatné služby je nejčastějším důvodem, proč hlasové projekty zklamou.

Grok Voice Agent

Voice Agent: konverzace v reálném čase

Voice Agent je nejimenzivnější služba: umožňuje ti mluvit přímo s Grokem stejně jako s člověkem. Běží na WebSocket připojení, které přenáší obousměrný zvuk v reálném čase. Mluvíš do mikrofonu, Grok tě poslouchá a průběžně rozumí tvé zprávě, poté nahlas odpoví; detekce ukončení řeči (VAD) automaticky zpracovává ticho a přechody. Právě tento poslední bod odlišuje konverzaci od výměny hlasových zpráv: můžeš váhat, aniž by si systém myslel, že jsi skončil, a můžeš mu skočit do řeči, když se ubírá špatným směrem.

K dispozici je dvacet osm vestavěných hlasů (k 3. listopadu 2026), každý s vlastní osobností, a měl bys je vybírat podle použití, nikoliv podle osobního vkusu. Pět původních hlasů, jak je popisuje xAI:

HlasCharakteristika
EveEnergický a veselý, britský přízvuk
AraVřelý a přátelský
RexSebevědomý a srozumitelný
SalHladký a vyvážený
LeoAutoritativní a mocný, britský přízvuk

Dalších třiadvacet, novějších hlasů, seskupuje xAI na stránce Text to Speech ve své dokumentaci podle použití (podpora, vyprávění, vzdělávání, reklama, wellness).

Podání není jen o barvě hlasu. Expresivní tagy obohacují odpovědi: pauzy nastavují přirozené tempo, smích odlehčí chvíli, šepot vytváří pocit blízkosti. Použity střídmě dělají rozdíl mezi průměrným hlasem a takovým, který lidé poslouchají až do konce; v každé větě mají však opačný efekt.

Voice Agent může během konverzace také volat nástroje: vyhledávání na webu v reálném čase, dotazy do databáze nebo volání vlastních API. Nahlas se zeptáš na aktuální informace a Grok ti nahlas odpoví s výsledkem. Asistent podpory může zkontrolovat skutečný stav objednávky místo toho, aby recitoval obecný postup.

Text-to-Speech: čtení textu nahlas

TTS řeší jednodušší potřebu: převod psaného textu na mluvený zvuk. Používá se k vytváření komentářů pro videa nebo podcasty, produkci automatizovaných hlasových zpráv, zpřístupnění textového obsahu lidem se zrakovým postižením a k vysílání hlasových oznámení a notifikací. Služba pokrývá dvacet jazyků a dokáže také jazyk automaticky detekovat.

Volání API zabere jen několik řádků:

import os
import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    json={
        "text": "Welcome to this course on Grok.",
        "voice_id": "eve",
        "language": "en",
    },
)
with open("welcome.mp3", "wb") as f:
    f.write(response.content)

Výsledkem je zvukový soubor MP3, připravený k přehrání nebo vložení do střihu.

Co hlas mění pro firmy

První oblastí je zákaznický servis: nasazen jako hlasový asistent zvládá Voice Agent běžné dotazy a provádí vyhledávání v reálném čase, čímž absorbuje opakující se objemy hovorů, aniž by nechal volající čekat. Stejná logika platí pro stávající telefonii: xAI může samo odpovídat na vaše čísla přes protokol SIP a frameworky jako LiveKit nebo Pipecat se zapojí bez nutnosti přestavby vaší call infrastruktury.

TTS slouží především k produkci obsahu: vaše články, zprávy a prezentace získají zvukovou verzi s hlasem zvoleným pro tón, kterého chcete dosáhnout. V obou případech si zaslouží být přístupnost součástí návrhu od samého začátku, nikoliv dodatečným doplňkem: tyto schopnosti činí AI použitelnou pro lidi, které textová rozhraní vynechávají.

Kolik to stojí

Voice Agent stojí 0,08 USD za minutu, tedy 4,80 USD za hodinu, plus 0,004 USD za textový vstup; na vstupní úrovni může tým otevřít 10 souběžných relací a až 200 na vyšších úrovních. Text-to-Speech stojí 15 USD za milion znaků, s 50 požadavky za sekundu a 100 souběžnými relacemi na vstupní úrovni. Před jakýmkoli veřejným spuštěním si ověřte tyto limity souběžnosti: určují, kolik hovorů zvládnete paralelně, a kampaň, která je překročí, znamená volající na držáku, nikoliv vyšší účet.

Ceny ověřeny 3. listopadu 2026. Ceny se často mění: než cokoli rozpočtujete, zkontrolujte aktuální sazby na oficiální stránce cen xAI.

Klíčové poznatky

  • Voice Agent umožňuje konverzace s Grokem v reálném čase přes WebSocket
  • K dispozici je 28 vestavěných hlasů s různými osobnostmi a případy použití
  • TTS převádí text na zvuk (ve výchozím nastavení MP3) ve 20 jazycích
  • Voice Agent může během konverzace využívat nástroje (vyhledávání na webu, API)
  • Pro firemní integraci jsou podporovány standardní telefonní protokoly