Hlasový agent a převod textu na řeč (TTS)
Na této stránce
Aktualizováno 3. listopadu 2026. Na základě stránek Ceník, Omezení rychlosti, Převod textu na řeč a poznámek k vydání od xAI: hlasový agent stojí 0,08 $ za minutu (nikoli 0,05 $), TTS stojí 15 $ za milion znaků (nikoli 4,20 $), simultánní relace se řídí podle úrovně (nikoli fixních 100 ani 30 minut na relaci), TTS je dostupné od března 2026; úrovně se na hlasové modely aplikují automaticky, u Imagine je nutné kontaktovat obchodní oddělení. Zdroje: Ceník · Omezení rychlosti · Poznámky k vydání.
Zvukové schopnosti Groku
xAI nabízí prostřednictvím svého API dvě zvukové služby: Hlasového agenta (API pro převod řeči na řeč), dostupného od prosince 2025 pro hlasové konverzace v reálném čase, a službu převodu textu na řeč (TTS), dostupnou od března 2026 pro syntézu hlasu. Tyto služby ti umožní budovat kompletní hlasová konverzační rozhraní, od automatizovaných telefonních systémů až po vestavěné hlasové asistenty.
API Hlasového agenta
API Hlasového agenta ti umožňuje vytvářet obousměrné hlasové konverzace v reálném čase. Uživatel mluví, model naslouchá, rozumí a odpovídá ústně – vše s latencí dostatečně nízkou pro přirozenou konverzaci.
Klíčové vlastnosti
- Model:
grok-voice-3.0, na který odkazuje aliasgrok-voice-latest - Simultánní relace: 10 na vstupní úrovni, následně 20, 50, 100 a 200 podle úrovně
- Cena: 0,08 $ za minutu, neboli 4,80 $ za hodinu, plus 0,004 $ za textový vstup
- Reálný čas: latence optimalizovaná pro přirozenou konverzaci
Využití
Hlasový agent je navržen pro scénáře, kde hlasová interakce přináší větší hodnotu než text:
- Automatizovaná zákaznická podpora – telefonické uvítání, směrování hovorů, odpovědi na časté dotazy
- Vestavění hlasoví asistenti – v mobilních aplikacích nebo zařízeních IoT
- Hlasové doučování – vzdělávací podpora prostřednictvím hlasu
- Přístupnost – hlasové rozhraní pro uživatele, kteří nemohou nebo nechtějí psát
Cenové aspekty
Při ceně 4,80 $ za hodinu je Hlasový agent ekonomický pro krátké, příležitostné interakce. U služeb s vysokým objemem však mohou náklady výrazně narůst. Call centrum zpracovávající 1 000 hodin konverzací měsíčně by představovalo rozpočet 4 800 $.
Systém úrovní platí pro hlasové modely stejně jako pro textové: úroveň závisí na tvých kumulativních výdajích a nikdy neklesá. Pro zvýšení limitů u Imagine však musíš kontaktovat obchodní oddělení xAI.
Převod textu na řeč (TTS)
Služba TTS převádí text na řeč pomocí vysoce kvalitních syntetických hlasů. Fakturace probíhá podle objemu převedeného textu.
Ceny a limity
| Služba | Náklady | Limit |
|---|---|---|
| Převod textu na řeč | 15 $ / 1M znaků | 50 požadavků za sekundu a 100 simultánních relací na vstupní úrovni |
Pro odhad nákladů: převod blogového příspěvku o 5 000 znacích do audia by stál přibližně 0,075 $. Audiokniha o 500 000 znacích by stála přibližně 7,50 $.
Dostupné hlasy
xAI nabízí 28 vestavěných hlasů (k 3. listopadu 2026), společných pro TTS i Hlasového agenta, s různými tóny a využitím, stejně jako vlastní hlasy vytvořené z krátkého úryvku. Hlas vybíráš v okamžiku žádosti API, což ti umožňuje přizpůsobit hlas kontextu – profesionální hlas pro zprávu, vřelý hlas pro tutoriál.
Aplikace TTS
- Automatizované podcasty – přeměna tvých blogových příspěvků na audio obsah
- Vyprávění – přidání audio vrstvy do tvých vzdělávacích aplikací
- Přístupnost – zpřístupnění textového obsahu pro zrakově postižené uživatele
- Hlasová oznámení – mluvená upozornění a připomínky v aplikacích
- Vícejazyčný obsah – generování audio verzí v různých jazycích
Hlasový agent vs. TTS: Jakou službu vybrat?
Rozlišení je jednoduché:
- Hlasový agent: pro interaktivní konverzace v reálném čase. Uživatel mluví, model odpovídá. Je obousměrný.
- TTS: pro jednosměrný převod textu na řeč. Žádná interakce, pouze syntéza hlasu.
Pokud buduješ konverzačního asistenta, budeš potřebovat Hlasového agenta. Pokud chceš pouze číst text nahlas, stačí TTS.
Integrace do stávající architektury
Zvukové služby Groku se integrují do stejného API jako textové a obrazové modely. Používáš stejné API klíče, stejný fakturační systém a stejný dashboard na console.x.ai.
Tato unifikace výrazně zjednodušuje architekturu: jeden projekt může využívat Grok 4.5 pro logické uvažování, grok-build-0.1 pro kód, Grok Imagine pro vizuály a Hlasového agenta pro ústní interakci, a to vše s jedním developerským účtem.
Ceny ověřeny k 3. listopadu 2026 – ceny se pravidelně mění: před jakýmkoli výpočtem rozpočtu si ověř aktuální ceník na oficiální stránce ceníku xAI.
Klíčové poznatky
- Hlasový agent stojí 0,08 $/min (4,80 $/hod) za konverzace v reálném čase
- TTS stojí 15 $ za milion znaků za syntézu hlasu
- Hlasový agent: 10 až 200 simultánních relací podle úrovně
- TTS: 100 souběžných požadavků
- Hlasový agent = obousměrný, TTS = jednosměrný
- Zvýšení úrovně pro Hlas/Imagine vyžaduje manuální žádost