El extremo WebSocket y la conexión en tiempo real
En esta página
Actualizado el 3 de noviembre de 2026, según las páginas de xAI Speech to Speech, Pricing y Rate limits: 0,08 $ por minuto, sesiones simultáneas por nivel y
grok-voice-3.0como modelo actual. Fuentes: Speech to Speech · Pricing · Rate limits.
La API de agente de voz en tiempo real
La API de Grok Voice Agent te permite crear agentes de voz conversacionales que hablan con tus usuarios en tiempo real. A diferencia de las API REST clásicas, que funcionan solicitud por solicitud, esta API utiliza el protocolo WebSocket para mantener abierta una conexión bidireccional persistente entre tu aplicación y los servidores de xAI.

Solo hay un extremo:
wss://api.x.ai/v1/realtime
Seleccionas el modelo con el parámetro de URL model, por ejemplo wss://api.x.ai/v1/realtime?model=grok-voice-latest. grok-voice-latest apunta a grok-voice-3.0, el modelo actual, y también es el valor predeterminado. En producción, xAI recomienda fijar una versión con nombre.
Este único extremo gestiona todo el ciclo de vida de una conversación de voz: recibir audio, detectar el habla, generar la respuesta y devolver el audio sintetizado.
Establecer la conexión WebSocket
Para conectarte, coloca tu clave de API de xAI en la cabecera de autorización. Aquí tienes un ejemplo en JavaScript:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + process.env.XAI_API_KEY
}
});
ws.on("open", () => {
console.log("Conexión WebSocket establecida");
});
ws.on("message", (data) => {
const event = JSON.parse(data);
console.log("Evento recibido:", event.type);
});
ws.on("close", (code, reason) => {
console.log("Conexión cerrada:", code, reason);
});
ws.on("error", (err) => {
console.error("Error de WebSocket:", err);
});
En Python, puedes utilizar la biblioteca 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"Evento: {event['type']}")
asyncio.run(connect())
Ciclo de vida de la sesión
Tan pronto como se abre la conexión WebSocket, el servidor envía un evento session.created confirmando que la sesión está activa. A continuación, envías un evento session.update para configurar la conversación (voz, instrucciones, herramientas, detección de turnos).
El ciclo típico es el siguiente:
- Conexión: abre el WebSocket con autenticación
- Configuración: envía
session.updatecon tus ajustes - Confirmación: recibe
session.updateddel servidor - Conversación: intercambia eventos de audio y texto
- Cierre: desconecta el WebSocket limpiamente
Gestión de errores de conexión
El servidor puede cerrar o rechazar la conexión por varios motivos: un error de autenticación, haber superado el límite de sesiones simultáneas de tu nivel (10 en el nivel de entrada, hasta 200 en el más alto) o un incidente. La documentación actual no establece una duración máxima de sesión, y la reanudación de sesión (lección 4) te permite retomar una conversación tras una caída. Tu aplicación debe incluir lógica de reconexión con retroceso exponencial.
Precios verificados el 3 de noviembre de 2026. Los precios cambian a menudo: antes de presupuestar nada, consulta las tarifas actuales en la página oficial de precios de xAI.
Puntos clave
- El extremo WebSocket
wss://api.x.ai/v1/realtimees el único punto de entrada para todas las conversaciones de voz - Te autenticas con la cabecera
Authorization: Bearer {clave de API} - El número de sesiones simultáneas depende de tu nivel: 10 en el nivel de entrada, hasta 200
- El servidor envía
session.createdal conectarse y luego espera tusession.updatepara configurar la conversación - El precio es de 0,08 $ por minuto, o 4,80 $ por hora, más 0,004 $ por entrada de texto