Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Grok Voice: samtaler med tale

Lektion 13 af 16 Opdateret 3. november 2026 Begynder
På denne side
  1. Tal med Grok
  2. Voice Agent: samtale i realtid
  3. Text-to-Speech: oplæsning af tekst
  4. Hvad stemmen betyder for virksomheder
  5. Hvad det koster
  6. Vigtige pointer

Opdateret 3. november 2026 baseret på xAIs sider om Text to Speech, Speech to Speech, Pricing og Rate limits: 28 indbyggede stemmer, aktuelle priser, samtidige sessioner efter niveau og et kodeeksempel, der bruger xAI-endepunktet POST /v1/tts. Kilder: Text to Speech · Pricing · Rate limits.

Tal med Grok

Efter tekst og billeder kommer stemmen. Du kan føre rigtige talesamtaler med assistenten, men du skal straks skelne mellem to tjenester, som folk ofte forveksler: Voice Agent, der er designet til interaktive samtaler i realtid, og Text-to-Speech (TTS), der blot omdanner tekst til lyd. Den første lytter og svarer; den anden læser op. At vælge den forkerte er den hyppigste årsag til, at taleprojekter skuffer.

Grok Voice Agent

Voice Agent: samtale i realtid

Voice Agent er den mest immersive tjeneste: den lader dig tale direkte med Grok, som du ville gøre med et menneske. Den kører på en WebSocket-forbindelse, der transporterer tovejs-lyd i realtid. Du taler i din mikrofon, Grok lytter og forstår din besked løbende og svarer derefter højt; taleaktivitetsdetektering (VAD) håndterer stilheder og overgange automatisk. Det sidste punkt er netop det, der adskiller en samtale fra en udveksling af talebeskeder: du kan tøve, uden at systemet tror, du er færdig, og du kan afbryde det, hvis det bevæger sig i den forkerte retning.

Der er 28 indbyggede stemmer til rådighed (pr. 3. november 2026), hver med sin egen personlighed, og du bør vælge ud fra brugstilfældet frem for personlig smag. De fem originale stemmer, som xAI beskriver dem:

StemmeKarakter
EveEnergisk og optimistisk, britisk accent
AraVarm og venlig
RexSelvsikker og klar
SalFlydende og afbalanceret
LeoAutoritær og kraftfuld, britisk accent

De andre 23, nyere stemmer, er grupperet af xAI efter brugstilfælde (support, fortælling, uddannelse, reklame, wellness) på siden Text to Speech i deres dokumentation.

Leveringen går ud over selve stemmeklangen. Udtryksfulde tags beriger svarene: pauser sætter en naturlig rytme, latter let øjeblikket, hvisken skaber nærhed. Brugt sparsomt gør de forskellen mellem en middelmådig stemme og en, som folk lytter til hele vejen igennem; brugt i hver eneste sætning har de den modsatte effekt.

Voice Agent kan også kalde på værktøjer under samtalen: websøgninger i realtid, opslag i databaser, kald til brugerdefinerede API’er. Du spørger højt efter opdaterede oplysninger, og Grok svarer højt med resultatet. En supportassistent kan tjekke den faktiske status på en ordre i stedet for at recitere en generisk procedure.

Text-to-Speech: oplæsning af tekst

TTS imødekommer et simplere behov: at omdanne skrevet tekst til talt lyd. Det bruges til at generere fortællinger til videoer eller podcasts, producere automatiske talebeskeder, gøre tekstindhold tilgængeligt for mennesker med nedsat syn og udsende talemeddelelser og notifikationer. Tjenesten dækker 20 sprog og kan også registrere sproget automatisk.

API-kaldet kræver kun få linjer:

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)

Resultatet er en MP3-lydfil, klar til afspilning eller til at blive indsat i en redigering.

Hvad stemmen betyder for virksomheder

Det første område er kundeservice: udrullet som en taleassistent håndterer Voice Agent almindelige spørgsmål og udfører søgninger i realtid, hvilket absorberer gentagne henvendelser uden at få kaldere til at vente. Den samme logik udvides til eksisterende telefoni: xAI kan selv besvare dine numre over SIP, og frameworks som LiveKit eller Pipecat kan kobles til uden at skulle genopbygge din opkaldsinfrastruktur.

TTS tjener primært produktion af indhold: dine artikler, rapporter og præsentationer får en lydversion med en stemme valgt efter den tone, du ønsker. I begge tilfælde bør tilgængelighed være en del af designet fra starten snarere end at blive tilføjet bagefter: disse funktioner gør AI brugbar for mennesker, som tekstgrænseflader udelukker.

Hvad det koster

Voice Agent koster $0,08 per minut eller $4,80 per time, plus $0,004 per tekstinput; på entry-niveauet kan et team åbne 10 samtidige sessioner og op til 200 på højere niveauer. Text-to-Speech koster $15 per million tegn med 50 anmodninger per sekund og 100 samtidige sessioner på entry-niveauet. Tjek disse grænser for samtidighed før enhver offentlig lancering: de afgør, hvor mange opkald du kan håndtere parallelt, og en kampagne, der overskrider dem, resulterer i kaldere, der bliver sat i kø – ikke i en højere regning.

Priser tjekket 3. november 2026. Priser ændres ofte: før du budgetterer noget som helst, så tjek de aktuelle satser på xAIs officielle prisside.

Vigtige pointer

  • Voice Agent muliggør talesamtaler i realtid med Grok via WebSocket
  • Der er 28 indbyggede stemmer til rådighed med forskellige personligheder og brugstilfælde
  • TTS konverterer tekst til lyd (MP3 som standard) på 20 sprog
  • Voice Agent kan bruge værktøjer (websøgning, API’er) under samtalen
  • Standard telefontiprotokoller understøttes til virksomhedsintegration