Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Grok Voice: Voice-agenter og 21 nye stemmer

Lektion 5 af 12 Opdateret 3. november 2026 Mellem
På denne side
  1. To annonceringer, to målgrupper
  2. Hvad Voice-API’en koster
  3. Hvad dette betyder for din eksisterende viden
  4. Vigtige pointer

Opdateret 2. november 2026 — tale. Grok Voice 3.0 (14. oktober 2026) erstatter den forældede Grok Voice 2.0 til samme pris på $0,08 pr. minut; aliasset grok-voice-latest peger nu på 3.0. Til transkription er grok-voice-transcribe-2.0 standardmodellen; version 1.0 udgik 2. oktober 2026. Tillæg 3. november 2026: Tabellen nedenfor er opdateret (voice-agent til $4,80 i timen i stedet for de $3, der blev registreret 28. juli), og kataloget indeholder nu 28 indbyggede stemmer. Kilder: Pricing · Text to Speech.

xAI’s taleafdeling har længe været den stille søster i porteføljen: en solid, veldokumenteret API, men i praksis forbeholdt hold med udviklingskompetencer. I begyndelsen af juli 2026 ændrede to på hinanden følgende annonceringer dette billede. De fortjener at blive læst sammen, da de skitserer to forskellige indgangsvinkler til det samme produkt.

To annonceringer, to målgrupper

Den første kom 1. juli: Voice Agent Builder. Værktøjet lover at kunne skabe en tilpasset voice-agent „på under 2 minutter uden en eneste linje kode”. I praksis definerer du agentens rolle, vælger dens stemme, tilføjer dens viden og deployer den – alt sammen via en grænseflade uden kodning. Dette rammer præcis den målgruppe, der har manglet i xAI’s taleudbud: den virksomhedsansvarlige, der ønsker at prototypeløse en hotline eller automatiseret omstilling uden at binde et udviklingsteam op. API’en forsvinder ikke; den forbliver vejen til dybe integrationer, hvor voice-agenten skal tale direkte med dit CRM- eller ticketsystem.

Fem dage senere, den 6. juli, annoncerede xAI 21 nye flersprogede „flagship”-stemmer til Grok Voice og forbedrede samtidig naturaliteten i de oprindelige fem. For dig er denne flersprogede udvidelse afgørende: en voice-agent på engelsk er kun troværdig, hvis selve stemmen er det. Før du låser dig fast på et valg til et projekt, bør du tage dig tid til at lytte til de tilgængelige stemmer på dit målsprog – outputtet varierer markant fra stemme til stemme, og det er altid sværere at skifte stemme efter lancering af en kundeservice end at vælge rigtigt fra starten.

Hvad Voice-API’en koster

Prislisten offentliggjort på docs.x.ai (registreret 3. november 2026) kan opsummeres på fire linjer, og det er ligetil tabeldata:

KomponentPris
Voice-agent (real-time, grok-voice-3.0)$0,08 pr. minut eller $4,80 pr. time, plus $0,004 pr. tekst-input
Text-to-speech (TTS)$15 pr. million tegn
Batch-transkription (STT batch)$0,10 pr. time
Streaming-transkription (STT streaming)$0,20 pr. time

Den mest interessante linje er den første, og ikke kun på grund af beløbet. Voice-agenten faktureres pr. time, ikke pr. token. Den direkte konsekvens er, at budgettet for et callcenter eller en hotline hurtigt kan beregnes. Hvis din service håndterer 200 timers samtale om måneden, ved du, at regningen bliver på $960 – uanset hvor snakkesalig udvekslingen er, og uanset hvor komplekse svarene er. Dette er en omkostningsmodel, som finansafdelinger forstår med det samme, hvorimod token-baseret fakturering kræver altid skrøbelige prognoser.

Forskellen mellem de to transkriptionstilstande fortæller også en historie. Batch-transkription koster $0,10 pr. time, mens streaming-transkription koster $0,20: real-time koster præcis dobbelt så meget. Dette er et klassisk mønster i branchen, og det bør udløse en simpel refleks: betal kun for streaming, hvor øjeblikkelig levering reelt gavner use casen. Live-undertekster til møder berettiger real-time; transkription af optagne opkald til senere analyse gør det derimod aldrig – batch løser samme opgave til halv pris.

Hvad dette betyder for din eksisterende viden

Hvis du har fulgt vores kurser „Grok Voice & Audio”, „Voice Agent API” og „TTS API”, er intet af det, du har lært, forældet. Implementeringsmekanikkerne – real-time WebSocket, Voice Activity Detection (VAD), audio-formater – forbliver nøjagtig som beskrevet i disse kurser. Det, der tilføjes, er et lag ovenpå: et no-code-værktøj til hurtig prototyping, et markant udvidet stemmekatalog og ovenstående opdaterede prisliste, som lader dig beregne omkostningerne ved et projekt, før du skriver den første linje kode.

I praksis består den rette tilgang for et hold, der er nyt på området, nu i at prototypeløse i Voice Agent Builder – to minutter er nok til at høre, hvordan dit use case ville lyde – og derefter, hvis prototypen overbeviser, skifte til API’en til den rigtige integration. Den omvendte rækkefølge, hvor man starter med kode, giver ikke længere mening for at validere en idé.

Officiel kilde: docs.x.ai/developers/models og x.ai/news

Vigtige pointer

  • Voice Agent Builder: skab en voice-agent uden kode (1. juli)
  • 21 nye flersprogede stemmer annonceret 6. juli; 28 stemmer i kataloget pr. 3. november
  • Voice-agent: $4,80 i timen (registreret 3. november; $3 ved registrering 28. juli) – et budget beregnet i tid, ikke tokens
  • Transkription: $0,10/time (batch), $0,20/time (streaming) – betal klokt for real-time