Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Γνωρίστε τον Πράκτορα Φωνής Grok

Μάθημα 1 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Μέσου επιπέδου
Σε αυτήν τη σελίδα
  1. Ένας πράκτορας φωνητικής συνομιλίας σε πραγματικό χρόνο
  2. Πώς λειτουργεί η σύνδεση
  3. Ο βρόχος ήχου
  4. Τι μπορεί να κάνει ο πράκτορας ενώ μιλάει
  5. Περιορισμοί που πρέπει να σχεδιάσετε από την πρώτη μέρα
  6. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026. Το Grok Voice 3.0, που κυκλοφόρησε στις 14 Οκτωβρίου 2026, αντικαθιστά το παρωχημένο Grok Voice 2.0 στην ίδια τιμή των $0.08 ανά λεπτό, ενώ το ψευδώνυμο grok-voice-latest δείχνει πλέον στην έκδοση 3.0. Για τη μεταγραφή, το προεπιλεγμένο μοντέλο είναι το grok-voice-transcribe-2.0· η έκδοση 1.0 έφτασε στο τέλος του κύκλου ζωής της στις 2 Οκτωβρίου 2026. Πηγές: Τιμολόγηση · Όρια ρυθμού.

Ένας πράκτορας φωνητικής συνομιλίας σε πραγματικό χρόνο

Το API του Πράκτορα Φωνής Grok σάς επιτρέπει να δημιουργήσετε βοηθούς που διεξάγουν ζωντανές προφορικές συνομιλίες με τους χρήστες σας. Αυτό που το διαφοροποιεί από μια κλασική εγκατάσταση είναι η αρχιτεκτονική. Η κλασική προσέγγιση συνδέει τρεις υπηρεσίες, η καθεμία πίσω από τη δική της κλήση HTTP: μετατροπή ομιλίας σε κείμενο, απόκριση κειμένου και στη συνέχεια μετατροπή κειμένου σε ομιλία. Ο Πράκτορας Φωνής μεταδίδει αντίθετα τα πάντα μέσω μίας και μοναδικής μόνιμης σύνδεσης WebSocket. Ο χρήστης μιλάει και το μοντέλο ακούει, κατανοεί και απαντά προφορικά, χωρίς τριμερή διαδρομή μέσω του δικτύου.

Πράκτορας Φωνής Grok

Ακούτε αμέσως τη διαφορά. Μια διαδικασία τριών βημάτων αφήνει ένα κενό αρκετών εκατοντάδων χιλιοστών του δευτερολέπτου μετά από κάθε πρόταση. Μια συνομιλία με τον Πράκτορα Φωνής μοιάζει περισσότερο με τηλεφώνημα: η άλλη πλευρά συνεχίζει από εκεί που μείνατε, μπορείτε να παρέμβετε και εκείνη προχωράει. Αυτή η συνέχεια είναι που χωρίζει ένα τηλεφωνικό μενού που ανέχονται οι πελάτες από έναν βοηθό με τον οποίο χαίρονται να μιλούν.

$0.08
ανά λεπτό
28
ενσωματωμένες φωνές
10
ταυτόχρονες συνεδρίες στο βασικό επίπεδο
$4.80
ανά ώρα

Πώς λειτουργεί η σύνδεση

Όλα εκτελούνται μέσω WebSocket, το οποίο διατηρεί ανοιχτό ένα αμφίδρομο κανάλι μεταξύ της εφαρμογής σας και της xAI. Συνδεθείτε στο σημείο τελικού προορισμού wss://api.x.ai/v1/realtime και τοποθετήστε το κλειδί API σας στην κεφαλίδα εξουσιοδότησης, ακριβώς όπως θα κάνατε για μια κλήση REST:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Ο διακομιστής απαντά με ένα συμβάν session.created για να επιβεβαιώσει ότι η σύνδεση είναι ανοιχτή. Μην θεωρείτε τη σύνδεση έτοιμη μέχρι να φτάσει αυτό το συμβάν: είναι το σήμα σας για να στείλετε τη διαμόρφωσή σας σε ένα μήνυμα session.update. Μια εφαρμογή που στέλνει τη διαμόρφωσή της πριν εμφανιστεί το session.created μπορεί να συμπεριφερθεί ασταθώς κατά την εκκίνηση.

Ο βρόχος ήχου

Μόλις διαμορφωθεί η συνεδρία, τα δεδομένα ρέουν σε έναν καλά ορισμένο βρόχο. Η εφαρμογή σας καταγράφει ήχο από το μικρόφωνο, τον κωδικοποιεί σε base64 και τον στέλνει σε μικρά τμήματα με το input_audio_buffer.append. Αυτή η είσοδος είναι συνεχής: δεν περιμένετε να τελειώσει ο χρήστης μια πρόταση για να αρχίσετε να στέλνετε. Εν τω μεταξύ, ο διακομιστής εκτελεί ανίχνευση φωνητικής δραστηριότητας (VAD), η οποία εντοπίζει μόνη της πότε ο χρήστης αρχίζει και σταματά να μιλάει. Στη συνέχεια, το Grok επεξεργάζεται αυτά που ειπώθηκαν, τα ερμηνεύει στο πλαίσιο της συνομιλίας και δημιουργεί μια απάντηση. Ο ήχος της απάντησης μεταδίδεται πίσω σε εσάς μέσω του response.output_audio.delta, τμήμα προς τμήμα, επίσης σε base64.

Το όφελος αυτού του σχεδιασμού είναι ότι δεν γράφετε καθόλου λογική εναλλαγής ομιλίας. Δεν αποφασίζετε πότε τελείωσε ο χρήστης και δεν ενεργοποιείτε εσείς τη δημιουργία. Ο διακομιστής το χειρίζεται και το μόνο που κάνετε εσείς είναι να αναπαράγετε τον ήχο καθώς φτάνει. Ο βρόχος επαναλαμβάνεται μέχρι να τελειώσει η συνομιλία.

Τι μπορεί να κάνει ο πράκτορας ενώ μιλάει

Ο Πράκτορας Φωνής μπορεί να κάνει περισσότερα από απλή συνομιλία: μπορεί να καλεί εργαλεία στη μέση μιας συνομιλίας. Διαθέτει αναζήτηση στον ιστό για πληροφορίες σε πραγματικό χρόνο, αναζήτηση στο X για αναρτήσεις στην πλατφόρμα, προσαρμοσμένες συναρτήσεις για κλήση των δικών σας API, αναζήτηση αρχείων για εξέταση συλλογών διανυσματοποιημένων εγγράφων και συνδέσεις με διακομιστές MCP (Model Context Protocol) για πρόσβαση σε τυποποιημένα εξωτερικά εργαλεία.

Να πώς φαίνεται αυτό στην πράξη. Ένας πελάτης καλεί για να ελέγξει μια παραγγελία. Ενώ ο πράκτορας τον κρατάει συντροφιά με μία ή δύο προτάσεις, κάνει ερώτημα στη βάση δεδομένων σας μέσω μιας προσαρμοσμένης συνάρτησης και στη συνέχεια διαβάζει την ημερομηνία παράδοσης. Ή φανταστείτε έναν βοηθό προγραμματισμού που ελέγχει ένα ημερολόγιο μέσω ενός διακομιστή MCP και προσφέρει αμέσως τρία χρονικά διαστήματα. Και στις δύο περιπτώσεις, ο χρήστης δεν αντιλαμβάνεται ότι έγινε κλήση API.

Περιορισμοί που πρέπει να σχεδιάσετε από την πρώτη μέρα

Δύο όρια διαμορφώνουν την αρχιτεκτονική σας. Το πρώτο είναι ο αριθμός των ταυτόχρονων συνεδριών: 10 στο βασικό επίπεδο, και στη συνέχεια 20, 50, 100 και 200 ανάλογα με το επίπεδο της ομάδας σας. Συγκρίνετε αυτόν τον αριθμό με τον μέγιστο όγκο κλήσεων πριν προχωρήσετε σε παραγωγή. Το δεύτερο είναι το κόστος: $0.08 ανά λεπτό, ή $4.80 ανά ώρα, συν $0.004 ανά είσοδο κειμένου. Η χρέωση γίνεται ανά λεπτό, οπότε κλείνετε τις συνεδρίες που δεν χρησιμοποιεί κανείς. Η τρέχουσα τεκμηρίωση δεν ορίζει μέγιστη διάρκεια συνεδρίας. Για μεγάλες συνομιλίες, ή μετά από διακοπή σύνδεσης, η επανάληψη συνεδρίας αναπαράγει το ιστορικό, το οποίο διατηρείται για 30 λεπτά μετά την τελευταία δραστηριότητα. Ο ήχος είναι προεπιλεγμένα σε PCM 24 kHz και μπορείτε να αλλάξετε τη μορφή για να ταιριάξει στο κανάλι σας.

Τιμές ελέγχθηκαν στις 3 Νοεμβρίου 2026. Οι τιμές αλλάζουν συχνά: πριν κάνετε οποιοδήποτε προϋπολογισμό, ελέγξτε τις τρέχουσες τιμές στην επίσημη σελίδα τιμολόγησης της xAI.

Βασικά σημεία

  • Ο Πράκτορας Φωνής Grok λειτουργεί μέσω WebSocket για φωνητικές συνομιλίες σε πραγματικό χρόνο
  • Η ανίχνευση φωνητικής δραστηριότητας (VAD) εκτελείται στον διακομιστή, κάτι που διατηρεί απλό τον κώδικά σας
  • Ο πράκτορας μπορεί να χρησιμοποιήσει εργαλεία (ιστός, X, συναρτήσεις, αρχεία, MCP) κατά τη διάρκεια της συνομιλίας
  • Κοστίζει $0.08 ανά λεπτό ($4.80 ανά ώρα)· οι ταυτόχρονες συνεδρίες κυμαίνονται από 10 έως 200 ανάλογα με το επίπεδό σας