Seznamte se s hlasovým agentem Grok
Na této stránce
Aktualizováno 3. listopadu 2026. Grok Voice 3.0, vydaný 14. října 2026, nahrazuje zastaralý Grok Voice 2.0 za stejnou cenu 0,08 $ za minutu a alias
grok-voice-latestnyní směřuje na verzi 3.0. Pro přepis řeči je výchozím modelemgrok-voice-transcribe-2.0; verze 1.0 dosáhla konce životnosti 2. října 2026. Zdroje: Ceník · Omezení rychlosti.
Hlasový agent pro konverzace v reálném čase
API hlasového agenta Grok ti umožňuje vytvářet asistenty, kteří vedou živé mluvené konverzace s tvými uživateli. Co jej odlišuje od klasického nastavení, je architektura. Klasický přístup řetězí tři služby, každou za vlastním HTTP voláním: převod řeči na text, textová odpověď a následně převod textu na řeč. Hlasový agent místo toho streamuje vše prostřednictvím jediného trvalého WebSocket připojení. Uživatel mluví a model naslouchá, rozumí a odpovídá nahlas, aniž by probíhala trojcestná komunikace přes síť.

Rozdíl poznáš okamžitě. Trojkrokový pipeline zanechává po každé větě mezeru několika set milisekund. Konverzace s hlasovým agentem působí spíše jako telefonní hovor: druhá strana navazuje tam, kde jsi skončil, můžeš jí skočit do řeči a ona pokračuje. Právě tato kontinuita odděluje telefonní menu, které zákazníci trpí, od asistenta, se kterým si rádi popovídají.
Jak funguje připojení
Vše běží přes WebSocket, který udržuje obousměrný kanál otevřený mezi tvou aplikací a xAI. Připoj se na koncový bod wss://api.x.ai/v1/realtime a vlož svůj API klíč do hlavičky authorization, přesně jako bys to udělal pro REST volání:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Server odpoví událostí session.created, která potvrdí, že je připojení otevřené. Nepovažuj připojení za připravené, dokud tato událost nedorazí: je to tvůj signál k odeslání konfigurace ve zprávě session.update. Aplikace, která odešle svou konfiguraci dříve, než se objeví session.created, se může při startu chovat nestabilně.
Zvuková smyčka
Jakmile je relace nakonfigurována, data proudí v přesně definované smyčce. Tvá aplikace zachytí zvuk z mikrofonu, zakóduje jej do base64 a odešle v malých blocích pomocí input_audio_buffer.append. Tento vstup je kontinuální: nečekáš, až uživatel dokončí větu, než začneš odesílat. Mezitím server spouští detekci hlasové aktivity (VAD), která sama rozpozná, kdy uživatel začne a přestane mluvit. Grok následně zpracuje řečené, interpretuje to v kontextu konverzace a vygeneruje odpověď. Zvuk odpovědi se ti streamuje zpět prostřednictvím response.output_audio.delta, blok po bloku, rovněž v base64.
Výhodou tohoto návrhu je, že nemusíš psát žádnou logiku střídání v konverzaci. Nerozhoduješ, kdy uživatel skončil, a nespouštíš generování sami. Server to řeší za tebe a ty pouze přehráváš zvuk, jak přichází. Smyčka se opakuje, dokud konverzace neskončí.
Co agent dokáže, zatímco mluví
Hlasový agent umí víc než jen chatovat: během konverzace může volat nástroje. Má k dispozici webové vyhledávání pro informace v reálném čase, vyhledávání na X pro příspěvky na platformě, vlastní funkce pro volání tvých vlastních API, vyhledávání v souborech pro procházení kolekcí vektorizovaných dokumentů a připojení k serverům MCP (Model Context Protocol) pro přístup ke standardizovaným externím nástrojům.
Takto to vypadá v praxi. Zákazník zavolá, aby se zeptal na stav objednávky. Zatímco ho agent zaměstnává větou či dvěma, dotáže se tvé databáze prostřednictvím vlastní funkce a poté nahlas přečte datum doručení. Nebo si představ asistenta pro plánování, který zkontroluje kalendář přes server MCP a okamžitě nabídne tři časové sloty. V obou případech uživatel ani nezaznamená, že bylo voláno API.
Omezení, na která musíš myslet od prvního dne
Tvou architekturu tvarují dva limity. Prvním je počet souběžných relací: 10 v základním tarifu, poté 20, 50, 100 a 200 v závislosti na tarifu tvého týmu. Porovnej toto číslo se svým špičkovým objemem hovorů před nasazením do produkce. Druhým limitem jsou náklady: 0,08 $ za minutu, neboli 4,80 $ za hodinu, plus 0,004 $ za textový vstup. Fakturace probíhá po minutách, proto uzavírej relace, které nikdo nepoužívá. Aktuální dokumentace nestanovuje maximální délku relace. U dlouhých konverzací nebo po přerušení připojení obnovení relace přehraje historii, která je uchovávána 30 minut po poslední aktivitě. Zvuk je ve výchozím nastavení 24 kHz PCM a formát můžeš změnit podle potřeb svého kanálu.
Ceny ověřeny 3. listopadu 2026. Ceny se často mění: než cokoli rozpočtuješ, zkontroluj aktuální sazby na oficiální stránce s cenami xAI.
Klíčové poznatky
- Hlasový agent Grok běží přes WebSocket pro hlasové konverzace v reálném čase
- Detekce hlasové aktivity (VAD) běží na serveru, což udržuje tvůj kód jednoduchý
- Agent může během konverzace používat nástroje (web, X, funkce, soubory, MCP)
- Stojí 0,08 $ za minutu (4,80 $ za hodinu); počet souběžných relací se pohybuje od 10 do 200 v závislosti na tvém tarifu