Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Tutvu Grok Voice Agentiga

Õppetund 1 / 14 Värskendatud 3. november 2026 Kesktase
Sellel lehel
  1. Reaalajas kõnelev hääleagent
  2. Kuidas ühendus toimib
  3. Helitsükkel
  4. Mida agent suudab rääkimise ajal teha
  5. Piirangud, millega tuleb algusest peale arvestada
  6. Peamised punktid

Uuendatud 3. novembril 2026. 14. oktoobril 2026 avaldatud Grok Voice 3.0 asendab vananenud Grok Voice 2.0 sama hinnaga 0,08 dollarit minuti kohta ja alias grok-voice-latest osutab nüüd versioonile 3.0. Transkriptsiooni jaoks on vaikimisi mudeliks grok-voice-transcribe-2.0; versioon 1.0 jõudis elutsükli lõppu 2. oktoobril 2026. Allikad: Hinnakiri · Kiiruse piirangud.

Reaalajas kõnelev hääleagent

Grok Voice Agent API võimaldab sul luua assistente, kes peavad kasutajatega otsekohest suulist vestlust. Erinevus klassikalisest lahendusest peitub arhitektuuris. Klassikaline lähenemine aheldab kolm teenust, millest igaüks nõuab oma HTTP-päringut: kõne tekstiks muundamine, tekstivastuse genereerimine ja seejärel teksti kõneks muundamine. Voice Agent edastab seevastu kogu voogu ühe püsiva WebSocket-ühenduse kaudu. Kasutaja räägib, mudel kuulab, mõistab ja vastab valjusti, ilma et võrgus toimuks kolmeastmeline päringutsükkel.

Grok Voice Agent

Kuuled erinevust kohe. Kolmeastmeline torustik jätab pärast iga lauset mitmesaja millisekundi pikkuse tühimiku. Vestlus Voice Agentiga tundub rohkem nagu telefonikõne: teine pool võtab jutu sealt, kus sa pooleli jätsid, saad vahele tulla ja vestlus jätkub sujuvalt. Just see järjepidevus eristab klienditeeninduse automaatvastajat, millega lepitakse, assistendist, kellega on hea rääkida.

$0.08
minuti kohta
28
sisseehitatud häält
10
samaaegset seanssi algastmel
$4.80
tunni kohta

Kuidas ühendus toimib

Kõik toimib üle WebSocketi, mis hoiab sinu rakenduse ja xAI vahel avatud kahepoolset kanalit. Ühenda end lõpp-punktiga wss://api.x.ai/v1/realtime ja lisa oma API-võti autoriseerimispäisesse täpselt nii, nagu teeksid seda REST-päringu korral:

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

Server vastab sündmusega session.created, kinnitamaks, et ühendus on avatud. Ära loe ühendust valmis enne, kui see sündmus saabub: see on sinu signaal saata konfiguratsioon sõnumiga session.update. Rakendus, mis saadab oma konfiguratsiooni enne session.created sündmust, võib käivitumisel käituda ebastabiilselt.

Helitsükkel

Kui seanss on konfigureeritud, liiguvad andmed täpselt määratletud tsüklis. Sinu rakendus salvestab heli mikrofonist, kodeerib selle base64-formaati ja saadab väikeste tükkidena käsuga input_audio_buffer.append. See sisend on pidev: sa ei oota, kuni kasutaja lause lõpetab, enne kui saatmist alustad. Samal ajal käivitab server kõneaktiivsuse tuvastuse (VAD), mis tuvastab iseseisvalt, millal kasutaja rääkima hakkab ja millal lõpetab. Grok töötleb öeldut, tõlgendab seda vestluse kontekstis ja genereerib vastuse. Vastuse helivoog edastatakse sulle tagasi tükk-tükilt läbi response.output_audio.delta, samuti base64-formaadis.

Selle disaini eeliseks on see, et sa ei pea kirjutama mingit kordamööda rääkimise loogikat. Sa ei otsusta, millal kasutaja on lõpetanud, ega käivita genereerimist ise. Server haldab seda ja sinu ülesandeks on vaid saabuvat heli esitada. Tsükkel kordub, kuni vestlus lõpeb.

Mida agent suudab rääkimise ajal teha

Voice Agent oskab teha enamat kui lihtsalt vestelda: see saab vestluse käigus kasutada tööriistu. Sellel on olemas veebiotsing reaalajas info jaoks, X-i otsing platvormi postituste leidmiseks, kohandatud funktsioonid sinu enda API-de kutsumiseks, failiotsing vektoriseeritud dokumentide kogumikes sirvimiseks ja ühendused MCP (Model Context Protocol) serveritega standardiseeritud välistööriistade kasutamiseks.

Näeb välja umbes nii. Klient helistab tellimuse staatuse järele pärima. Samal ajal kui agent hoiab teda paari lausega vestluses, pärib see kohandatud funktsiooni kaudu sinu andmebaasist ja loeb seejärel ette tarnekuupäeva. Või kujuta ette ajakava planeerijat, mis kontrollib kalendrit MCP-serveri kaudu ja pakub kohe välja kolm sobivat ajavahemikku. Mõlemal juhul ei märka kasutaja isegi, et API-t kutsuti.

Piirangud, millega tuleb algusest peale arvestada

Sinu arhitektuuri kujundavad kaks piirangut. Esimene on samaaegsete seansside arv: algastmel 10, seejärel 20, 50, 100 ja 200, olenevalt sinu meeskonna tasemest. Võrdle seda arvu oma tipptunni kõnede mahuga enne tootmisse minekut. Teine on hind: 0,08 dollarit minuti kohta ehk 4,80 dollarit tunni kohta, pluss 0,004 dollarit tekstisisendi kohta. Arveldamine käib minutite kaupa, seega sulge seansid, mida keegi ei kasuta. Praegune dokumentatsioon ei sätesta seansi maksimaalset pikkust. Pikkade vestluste korral või pärast ühenduse katkemist taastab seansi jätkamine ajaloo, mida hoitakse 30 minutit pärast viimast tegevust. Helivaikimissagedus on 24 kHz PCM ja saad formaati oma kanali vajadustele vastavalt muuta.

Hinnad kontrollitud 3. novembril 2026. Hinnad muutuvad sageli: enne eelarve planeerimist kontrolli kehtivaid hindu xAI ametlikul hinnalehel.

Peamised punktid

  • Grok Voice Agent töötab üle WebSocketi reaalajas kõnevestluste pidamiseks
  • Kõneaktiivsuse tuvastus (VAD) toimub serveris, hoides sinu koodi lihtsana
  • Agent saab vestluse ajal kasutada tööriistu (veeb, X, funktsioonid, failid, MCP)
  • Hind on 0,08 dollarit minuti kohta (4,80 dollarit tunni kohta); samaaegseid seansse on sõltuvalt tasemest 10 kuni 200