Grok Voice: kõnelused
Sellel lehel
Uuendatud 3. novembril 2026, tuginedes xAI lehtedele Text to Speech, Speech to Speech, Pricing ja Rate limits: 28 sisseehitatud häält, praegused hinnad, samaaegsed seansid tasemete kaupa ja koodinäide, mis kasutab xAI
POST /v1/ttslõpppunkti. Allikad: Text to Speech · Pricing · Rate limits.
Räägi Grokiga
Teksti ja piltide järel tuleb hääl. Saad pidada assistendiga päris kõnelusi, kuid kohe alguses pead eristama kahte teenust, mida inimesed sageli segamini ajavad: Voice Agent, mis on loodud interaktiivseteks reaalajas vestlusteks, ja Text-to-Speech (TTS), mis lihtsalt muudab teksti heliks. Esimene kuulab ja vastab; teine loeb ette. Vale valik on kõige sagedasem põhjus, miks häälprojektid pettumust valmistavad.

Voice Agent: reaalajas vestlus
Voice Agent on kõige kaasahaaravam teenus: see võimaldab sul rääkida Grokiga otse, nagu inimesega. See töötab WebSocketi ühendusel, mis edastab kahesuunalist heli reaalajas. Sa räägid mikrofoni, Grok kuulab ja mõistab sinu sõnumit pidevalt ning vastab seejärel valjusti; kõne tuvastamine ehk VAD haldab vaigistusi ja üleminekuid automaatselt. Just see viimane punkt eristab vestlust helisõnumite vahetamisest: saad kõhelda, ilma et süsteem arvaks, et oled lõpetanud, ja saad selle katkestada, kui see liigub vales suunas.
Saadaval on 28 sisseehitatud häält (seisuga 3. november 2026), igaühel oma isiksus, ja need tuleks valida kasutusjuhtumi, mitte isikliku maitse järgi. Viis algset häält, nagu xAI neid kirjeldab:
| Hääl | Iseloom |
|---|---|
| Eve | Energeetiline ja rõõmus, Briti aktsent |
| Ara | Soe ja sõbralik |
| Rex | Enesekindel ja selge |
| Sal | Sujuv ja tasakaalukas |
| Leo | Autoriteetne ja võimas, Briti aktsent |
Ülejäänud 23 uuemat häält on xAI grupeerinud dokumentatsiooni lehel Text to Speech kasutusjuhtumite järgi (tugi, jutustus, haridus, reklaam, heaolu).
Esitusviis ei piirdu hääle tembriga. Väljendusrikkad sildid rikastavad vastuseid: pausid loovad loomuliku rütmi, naergutamine kergendab hetke, sosistamine tekitab lähedustunde. Tagasihoidlikult kasutatuna teevad need vahet keskpärase hääle ja sellise vahel, mida inimesed lõpuni kuulavad; igas lauses on neil vastupidine mõju.
Voice Agent saab vestluse käigus kasutada ka tööriistu: reaalajas veebiotsinguid, andmebaasipäringuid, kõnesid kohandatud API-dele. Küsid valjusti ajakohast teavet ja Grok vastab valjusti tulemusega. Tugiassistent saab kontrollida tellimuse tegelikku staatust, selle asemel et lugeda ette üldist protseduuri.
Text-to-Speech: teksti ettelugemine
TTS rahuldab lihtsamat vajadust: kirjaliku teksti muutmist kõneks. Seda kasutatakse videote või podcastide jutustuste loomiseks, automatiseeritud helisõnumite genereerimiseks, tekstisisu kättesaadavaks tegemiseks nägemispuudega inimestele ning häälteadete ja teavituste edastamiseks. Teenus hõlmab 20 keelt ja oskab ka keele automaatselt tuvastada.
API väljakutse võtab vaid paar rida:
import os
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
json={
"text": "Welcome to this course on Grok.",
"voice_id": "eve",
"language": "en",
},
)
with open("welcome.mp3", "wb") as f:
f.write(response.content)
Tulemuseks on MP3-helifail, valmis esitamiseks või redigeerimisse lisamiseks.
Mida hääl ettevõtetele muudab
Esimene valdkond on klienditeenindus: häälassistendina kasutatuna haldab Voice Agent levinud küsimusi ja teeb reaalajas otsinguid, neelates korduva koormuse, ilma et helistajad peaksid ootama. Sama loogika laieneb olemasolevale telefonile: xAI saab vastata sinu numbritele otse üle SIP-i ja raamistikud nagu LiveKit või Pipecat ühenduvad, ilma et peaksid oma kõnetaristut ümber ehitama.
TTS teenib peamiselt sisutootmist: sinu artiklid, aruanded ja esitlused saavad heliversiooni, kus hääl on valitud soovitud tooni järgi. Mõlemal juhul peaks ligipääsetavus olema disaini lahutamatu osa algusest peale, mitte järel lisatud element: need võimalused teevad tehisintellekti kasutatavaks inimestele, kelle tekstiliidesed kõrvale jätavad.
Maksumus
Voice Agent maksab 0,08 dollarit minuti ehk 4,80 dollarit tunni kohta, pluss 0,004 dollarit tekstisisendi kohta; algastmel saab meeskond avada 10 samaaegset seanssi ja kõrgematel tasemetel kuni 200. Text-to-Speech maksab 15 dollarit miljoni märgi kohta, algastmel on lubatud 50 päringut sekundis ja 100 samaaegset seanssi. Kontrolli neid samaaegsuse piiranguid enne avalikku käivitamist: need määravad, kui palju kõnesid saad paralleelselt hallata, ja kampaania, mis need ületab, tähendab ootel helistajaid, mitte suuremat arvet.
Hinnad kontrollitud 3. novembril 2026. Hinnad muutuvad sageli: enne eelarve planeerimist kontrolli praeguseid määrasid xAI ametlikul hinnalehel.
Peamised punktid
- Voice Agent võimaldab reaalajas kõnelusi Grokiga üle WebSocketi
- Saadaval on 28 erineva isiksuse ja kasutusjuhtumiga sisseehitatud häält
- TTS teisendab teksti heliks (vaikimisi MP3) 20 keeles
- Voice Agent saab vestluse ajal kasutada tööriistu (veebiotsing, API-d)
- Äriintegreerimiseks on toetatud standardsed telefoniprotokollid