Grok Voice: keskustelut puheella
Tällä sivulla
Päivitetty 3. marraskuuta 2026 xAI:n Text to Speech-, Speech to Speech-, Pricing- ja Rate limits -sivujen perusteella: 28 sisäänrakennettua ääntä, nykyiset hinnat, samanaikaiset istunnot tason mukaan ja koodiesimerkki, joka käyttää xAI:n
POST /v1/tts-päätepistettä. Lähteet: Text to Speech · Pricing · Rate limits.
Keskustele Grokin kanssa
Tekstin ja kuvien jälkeen vuorossa on puhe. Voit käydä assistentin kanssa aidosti puhuttuja keskusteluja, ja heti alkuun on tärkeää erottaa toisistaan kaksi palvelua, jotka sekoitetaan usein: Voice Agent, joka on suunniteltu vuorovaikutteisiin reaaliaikaisiin keskusteluihin, sekä Text-to-Speech (TTS), joka yksinkertaisesti muuttaa tekstin ääneksi. Ensimmäinen kuuntelee ja vastaa; toinen lukee. Väärän valitseminen on yleisin syy siihen, miksi ääniprojektit epäonnistuvat.

Voice Agent: reaaliaikainen keskustelu
Voice Agent on kaikkein uppouttavampi palvelu: se antaa sinun puhua suoraan Grokin kanssa aivan kuin ihmisen kanssa. Se toimii WebSocket-yhteydellä, joka välittää kaksisuuntaista ääntä reaaliajassa. Puhut mikrofoniisi, Grok kuuntelee ja ymmärtää viestisi jatkuvasti ja vastaa sitten ääneen; puheen havaitseminen (VAD) hoitaa tauot ja siirtymät automaattisesti. Juuri tämä viimeinen kohta erottaa keskustelun pelkästä ääniviestien vaihdosta: voit epäröidä ilman, että järjestelmä luulee sinun lopettaneen, ja voit keskeyttää sen, jos se on menossa väärään suuntaan.
Käytettävissä on 28 sisäänrakennettua ääntä (tilanne 3. marraskuuta 2026), joilla jokaisella on oma persoonallisuutensa, ja sinun kannattaa valita käyttötarkoituksen eikä henkilökohtaisen maun perusteella. xAI:n kuvailemat viisi alkuperäistä ääntä:
| Ääni | Luonne |
|---|---|
| Eve | Energinen ja iloinen, brittiaksentti |
| Ara | Lämmin ja ystävällinen |
| Rex | Itsevarma ja selkeä |
| Sal | Sujuva ja tasapainoinen |
| Leo | Arvovaltainen ja voimakas, brittiaksentti |
Muut 23 uudempaa ääntä on xAI:n dokumentaation Text to Speech -sivulla ryhmitelty käyttötarkoituksen mukaan (tuki, kertominen, koulutus, mainonta, hyvinvointi).
Toimitus on muutakin kuin pelkkä äänensävy. Ilmeikkäät tagit rikastuttavat vastauksia: tauot luovat luonnollisen rytmin, nauru keventää hetkeä, kuiskaus luo läheisyyden tunnetta. Kohtuudella käytettynä ne tekevät eron keskinkertaisen äänen ja sellaisen välillä, jota ihmiset kuuntelevat loppuun asti; jokaisessa lauseessa käytettynä vaikutus on päinvastainen.
Voice Agent osaa myös kutsua työkaluja keskustelun aikana: reaaliaikaisia verkkohakuja, tietokantakyselyitä, kutsuja mukautettuihin rajapintoihin. Pyydät ääneen ajantasaista tietoa, ja Grok vastaa ääneen tuloksella. Tukiassistentti voi tarkistaa tilauksen todellisen tilan sen sijaan, että se lukisi yleistä menettelytapaa.
Text-to-Speech: tekstin lukeminen ääneen
TTS vastaa yksinkertaisempaan tarpeeseen: kirjoitetun tekstin muuttamiseen puhutuksi ääneksi. Sitä käytetään tuottamaan kertojaääni videoihin tai podcasteihin, luomaan automatisoituja ääniviestejä, tekemään tekstisisällöstä saavutettavaa heikkonäköisille sekä lähettämään ääni-ilmoituksia ja notifikaatioita. Palvelu kattaa 20 kieltä ja osaa myös tunnistaa kielen automaattisesti.
API-kutsu vaatii vain muutaman rivin:
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)
Tuloksena on MP3-äänitiedosto, valmiina soitettavaksi tai leikkausohjelmaan sijoitettavaksi.
Mitä puhe merkitsee yrityksille
Ensimmäinen alue on asiakaspalvelu: Voice Agentina käyttöönotettuna se hoitaa yleisiä kysymyksiä ja tekee reaaliaikaisia hakuja, absorboiden toistuvan määrän ilman, että soittajat joutuvat odottamaan. Sama logiikka laajenee olemassa olevaan puhelinjärjestelmään: xAI voi vastata numeroihisi itse SIP:n yli, ja kehykset kuten LiveKit tai Pipecat liittyvät mukaan ilman, että puheluinfrastuktuuria tarvitsee rakentaa uudelleen.
TTS palvelee ensisijaisesti sisällöntuotantoa: artikkeleistasi, raporteistasi ja esityksistäsi saa ääniversion, ja äänen voi valita haluamasi sävyn mukaan. Molemmissa tapauksissa saavutettavuus kannattaa ottaa mukaan suunnitteluun alusta alkaen sen sijaan, että se lisättäisiin jälkikäteen: nämä ominaisuudet tekevät tekoälyn käytettäväksi myös niille, jotka tekstipohjaiset käyttöliittymät jättävät ulkopuolelle.
Hinnat
Voice Agent maksaa 0,08 dollaria minuutilta eli 4,80 dollaria tunnilta, plus 0,004 dollaria tekstisyötteeltä; aloitustasolla tiimi voi avata 10 samanaikaista istuntoa ja korkeammilla tasoilla jopa 200. Text-to-Speech maksaa 15 dollaria miljoonalta merkiltä, ja aloitustasolla rajat ovat 50 pyyntöä sekunnissa ja 100 samanaikaista istuntoa. Tarkista nämä samanaikaisuusrajat ennen julkista lanseerausta: ne määräävät, kuinka monta puhelua voit käsitellä rinnakkain, ja kampanja, joka ylittää rajat, johtaa odottaviin soittajiin, ei korkeampaan laskuun.
Hinnat tarkistettu 3. marraskuuta 2026. Hinnat muuttuvat usein: ennen kuin budjetoit mitään, tarkista ajantasaiset hinnat xAI:n viralliselta hinnoittelusivulta.
Keskeiset asiat
- Voice Agent mahdollistaa reaaliaikaiset puhutut keskustelut Grokin kanssa WebSocket-yhteyden yli
- Käytettävissä on 28 sisäänrakennettua ääntä eri persoonallisuuksilla ja käyttötarkoituksilla
- TTS muuntaa tekstin ääneksi (oletuksena MP3) 20 kielellä
- Voice Agent voi käyttää työkaluja (verkkohaku, rajapinnat) keskustelun aikana
- Standardit puhelinprotokollat ovat tuettuna yritysten integraatioita varten