Mød Grok Voice Agent
På denne side
Opdateret 3. november 2026. Grok Voice 3.0, udgivet den 14. oktober 2026, erstatter den forældede Grok Voice 2.0 til samme pris på $0.08 per minut, og aliasset
grok-voice-latestpeger nu på version 3.0. Til transskription ergrok-voice-transcribe-2.0standardmodellen; version 1.0 nåede slutningen af sin levetid den 2. oktober 2026. Kilder: Pricing · Rate limits.
En konversationel voice-agent i realtid
Grok Voice Agent API’en giver dig mulighed for at bygge assistenter, der fører live, talte samtaler med dine brugere. Det, der adskiller den fra en klassisk opsætning, er arkitekturen. Den klassiske tilgang kæder tre tjenester sammen, hver bag sit eget HTTP-kald: tale-til-tekst, et tekstsvar og derefter tekst-til-tale. Voice Agent streamer i stedet alt gennem en enkelt vedvarende WebSocket-forbindelse. Brugeren taler, og modellen lytter, forstår og svarer højt uden en trevejs rundtur over netværket.

Du kan høre forskellen med det samme. En tretrins-pipeline efterlader et hul på flere hundrede millisekunder efter hver sætning. En samtale med Voice Agent føles mere som et telefonopkald: den anden part tager over, hvor du slap, du kan afbryde, og samtalen fortsætter. Det er denne kontinuitet, der adskiller en telefonmenu, som kunder finder sig i, fra en assistent, de er glade for at tale med.
Sådan fungerer forbindelsen
Alt kører over WebSocket, hvilket holder en tovejskanal åben mellem din app og xAI. Opret forbindelse til endpointet wss://api.x.ai/v1/realtime og indsæt din API-nøgle i autorisationsheadere, præcis som du ville gøre ved et REST-kald:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Serveren svarer med en session.created-begivenhed for at bekræfte, at forbindelsen er åben. Betragt ikke forbindelsen som klar, før denne begivenhed ankommer: det er dit signal til at sende din konfiguration i en session.update-besked. En app, der sender sin konfiguration, før session.created vises, kan opføre sig upålideligt ved opstart.
Audio-løkken
Når sessionen er konfigureret, flyder data i en veldefineret løkke. Din app optager lyd fra mikrofonen, kodrer den i base64 og sender den i små bidder med input_audio_buffer.append. Denne input er kontinuerlig: du venter ikke på, at brugeren finishes en sætning, før du begynder at sende. I mellemtiden kører serveren voice activity detection (VAD), som selv registrerer, hvornår brugeren begynder og holder op med at tale. Grok behandler derefter det sagte, fortolker det i samtalens kontekst og genererer et svar. Svarlyden streames tilbage til dig gennem response.output_audio.delta, bid for bid, også i base64.
Fordelen ved dette design er, at du slet ikke skal skrive logik for turtagning. Du beslutter ikke, hvornår brugeren er færdig, og du udløser ikke genereringen selv. Serveren håndterer det, og alt hvad du skal gøre, er at afspille lyden, efterhånden som den ankommer. Løkken gentages, indtil samtalen slutter.
Hvad agenten kan gøre, mens den taler
Voice Agent kan gøre mere end bare at chatte: den kan kalde værktøjer midt i en samtale. Den har websøgning til realtidsinformation, X-søgning til indlæg på platformen, brugerdefinerede funktioner til at kalde dine egne API’er, filsøgning til at gennemsamle samlinger af vektoriserede dokumenter og forbindelser til MCP-servere (Model Context Protocol) for at nå standardiserede eksterne værktøjer.
Sådan ser det ud i praksis. En kunde ringer for at tjekke status på en ordre. Mens agenten holder kunden med selskab med en sætning eller to, spørger den din database gennem en brugerdefineret funktion og læser derefter leveringsdatoen op. Eller forestil dig en planlægningsassistent, der tjekker en kalender gennem en MCP-server og straks tilbyder tre tidspunkter. Uanset hvad, bemærker brugeren aldrig, at der blev kaldt på en API.
Begrænsninger du skal planlægge for fra dag ét
To grænser former din arkitektur. Den første er antallet af samtidige sessioner: 10 på startniveauet, derefter 20, 50, 100 og 200 afhængigt af dit teams niveau. Sammenlign dette tal med dit maksimale opkaldsvolumen, før du går i produktion. Den anden er omkostninger: $0.08 per minut, eller $4.80 per time, plus $0.004 per tekst-input. Fakturering sker per minut, så luk sessioner, som ingen bruger. Den nuværende dokumentation angiver ingen maksimal sessionslængde. Ved lange samtaler, eller efter en afbrudt forbindelse, vil genoptagelse af sessionen afspille historikken, som opbevares i 30 minutter efter sidste aktivitet. Audio er som standard 24 kHz PCM, og du kan ændre formatet for at passe til din kanal.
Priser tjekket 3. november 2026. Priser ændres ofte: før du budgetterer noget, skal du tjekke de aktuelle satser på xAIs officielle prisside.
Vigtige pointer
- Grok Voice Agent kører over WebSocket til talekonversationer i realtid
- Voice activity detection (VAD) kører på serveren, hvilket holder din kode enkel
- Agenten kan bruge værktøjer (web, X, funktioner, filer, MCP) under samtalen
- Det koster $0.08 per minut ($4.80 per time); samtidige sessioner varierer fra 10 til 200 afhængigt af dit niveau