Το σημείο πρόσβασης WebSocket και η σύνδεση σε πραγματικό χρόνο
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τις σελίδες Speech to Speech, Pricing και Rate limits της xAI: 0,08 $ ανά λεπτό, ταυτόχρονες συνεδρίες ανά επίπεδο και
grok-voice-3.0ως τρέχον μοντέλο. Πηγές: Speech to Speech · Pricing · Rate limits.
Το Voice Agent API σε πραγματικό χρόνο
Το Grok Voice Agent API σάς επιτρέπει να δημιουργείτε φωνητικούς πράκτορες συνομιλίας που επικοινωνούν με τους χρήστες σας σε πραγματικό χρόνο. Σε αντίθεση με τα κλασικά REST APIs, τα οποία λειτουργούν αίτημα προς αίτημα, αυτό το API χρησιμοποιεί το πρωτόκολλο WebSocket για να διατηρεί ανοιχτή μια μόνιμη αμφίδρομη σύνδεση μεταξύ της εφαρμογής σας και των διακομιστών της xAI.

Υπάρχει ένα μόνο σημείο πρόσβασης (endpoint):
wss://api.x.ai/v1/realtime
Επιλέγετε το μοντέλο μέσω της παραμέτρου URL model, για παράδειγμα wss://api.x.ai/v1/realtime?model=grok-voice-latest. Το grok-voice-latest παραπέμπει στο grok-voice-3.0, που είναι το τρέχον μοντέλο, και αποτελεί επίσης την προεπιλογή. Για περιβάλλοντα παραγωγής, η xAI συνιστά να ορίζετε ρητά μια συγκεκριμένη ονομαστική έκδοση.
Αυτό το μοναδικό σημείο πρόσβασης διαχειρίζεται ολόκληρο τον κύκλο ζωής μιας φωνητικής συνομιλίας: λήψη ήχου, ανίχνευση ομιλίας, δημιουργία απάντησης και αποστολή πίσω του συνθετικού ήχου.
Άνοιγμα της σύνδεσης WebSocket
Για να συνδεθείτε, τοποθετήστε το κλειδί API της xAI στην κεφαλίδα εξουσιοδότησης (authorization header). Ακολουθεί ένα παράδειγμα σε JavaScript:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + process.env.XAI_API_KEY
}
});
ws.on("open", () => {
console.log("WebSocket connection established");
});
ws.on("message", (data) => {
const event = JSON.parse(data);
console.log("Event received:", event.type);
});
ws.on("close", (code, reason) => {
console.log("Connection closed:", code, reason);
});
ws.on("error", (err) => {
console.error("WebSocket error:", err);
});
Σε Python, μπορείτε να χρησιμοποιήσετε τη βιβλιοθήκη websockets:
import asyncio
import websockets
import json
import os
async def connect():
uri = "wss://api.x.ai/v1/realtime"
headers = {
"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"
}
async with websockets.connect(uri, additional_headers=headers) as ws:
async for message in ws:
event = json.loads(message)
print(f"Event: {event['type']}")
asyncio.run(connect())
Κύκλος ζωής συνεδρίας
Μόλις ανοίξει η σύνδεση WebSocket, ο διακομιστής στέλνει ένα συμβάν session.created που επιβεβαιώνει ότι η συνεδρία είναι ενεργή. Στη συνέχεια, στέλνετε ένα συμβάν session.update για να διαμορφώσετε τη συνομιλία (φωνή, οδηγίες, εργαλεία, ανίχνευση εναλλαγής ομιλητή).
Ο τυπικός κύκλος έχει ως εξής:
- Σύνδεση: ανοίξτε το WebSocket με πιστοποίηση
- Διαμόρφωση: στείλτε το
session.updateμε τις ρυθμίσεις σας - Επιβεβαίωση: λάβετε το
session.updatedαπό τον διακομιστή - Συνομιλία: ανταλλαγή συμβάντων ήχου και κειμένου
- Κλείσιμο: αποσύνδεση του WebSocket με καθαρό τρόπο
Διαχείριση σφαλμάτων σύνδεσης
Ο διακομιστής μπορεί να κλείσει ή να απορρίψει τη σύνδεση για διάφορους λόγους: σφάλμα πιστοποίησης, υπέρβαση του ορίου ταυτόχρονων συνεδριών του επιπέδου σας (10 στο βασικό επίπεδο, έως 200 στο ανώτατο) ή κάποιο περιστατικό δυσλειτουργίας. Η τρέχουσα τεκμηρίωση δεν ορίζει μέγιστη διάρκεια συνεδρίας, ενώ η επαναφορά συνεδρίας (μάθημα 4) σάς επιτρέπει να συνεχίσετε μια συνομιλία μετά από διακοπή. Η εφαρμογή σας πρέπει να περιλαμβάνει λογική επανασύνδεσης με εκθετική καθυστέρηση (exponential backoff).
Τιμές ελεγμένες στις 3 Νοεμβρίου 2026. Οι τιμές αλλάζουν συχνά: πριν προβείτε σε οποιοδήποτε προϋπολογισμό, ελέγξτε τις τρέχουσες χρεώσεις στην επίσημη σελίδα τιμολόγησης της xAI.
Βασικά σημεία
- Το σημείο πρόσβασης WebSocket
wss://api.x.ai/v1/realtimeαποτελεί τη μοναδική είσοδο για όλες τις φωνητικές συνομιλίες - Η πιστοποίηση γίνεται μέσω της κεφαλίδας
Authorization: Bearer {API key} - Ο αριθμός των ταυτόχρονων συνεδριών εξαρτάται από το επίπεδό σας: 10 στο βασικό επίπεδο, έως 200
- Ο διακομιστής στέλνει το
session.createdκατά τη σύνδεση και στη συνέχεια αναμένει τοsession.updateγια τη διαμόρφωση της συνομιλίας - Η τιμολόγηση είναι 0,08 $ ανά λεπτό, ή 4,80 $ ανά ώρα, συν 0,004 $ ανά εισαγωγή κειμένου