Voice Agent ja TTS
Tällä sivulla
Päivitetty 3. marraskuuta 2026. Perustuu sivuihin Pricing, Rate Limits, Text to Speech ja xAI:n julkaisutietoihin: Voice Agent hintaan 0,08 $ minuutilta (ei 0,05 $), TTS hintaan 15 $ miljoonaa merkkiä kohden (ei 4,20 $), samanaikaiset istunnot tason mukaan (ei 100 eikä 30 minuuttia istuntoa kohden), TTS käytettävissä maaliskuusta 2026 lähtien; tasot koskevat automaattisesti äänimalleja, Imagine vaatii yhteydenottoa myyntiin. Lähteet: Pricing · Rate limits · Release notes.
Grokin ääniominaisuudet
xAI tarjoaa API:n kautta kahta äänipalvelua: Voice Agent (Speech to Speech -API), joka on ollut saatavilla joulukuusta 2025 lähtien reaaliaikaisia äänikeskusteluja varten, sekä Text-to-Speech (TTS), joka on ollut saatavilla maaliskuusta 2026 lähtien puheen syntetisointiin. Näiden palveluiden avulla voit rakentaa täydellisiä äänipohjaisia keskustelukäyttöliittymiä automatisoiduista puhelinjärjestelmistä upotettuihin ääniavustajiin.
Voice Agent -API
Voice Agent -API:n avulla voit luoda kaksisuuntaisia reaaliaikaisia äänikeskusteluja. Käyttäjä puhuu, malli kuuntelee, ymmärtää ja vastaa suullisesti – kaikki tämä tapahtuu luonnolliseen keskusteluun riittävän pienellä viiveellä.
Keskeiset ominaisuudet
- Malli:
grok-voice-3.0, johon aliasgrok-voice-latestviittaa - Samanaikaiset istunnot: 10 aloitustasolla, sitten 20, 50, 100 ja 200 tason mukaan
- Hinnoittelu: 0,08 $ minuutilta eli 4,80 $ tunnilta, plus 0,004 $ tekstisyötettä kohden
- Reaaliaikaisuus: viive optimoitu luonnollista keskustelua varten
Käyttökohteet
Voice Agent on suunniteltu tilanteisiin, joissa vuorovaikutus äänellä tuottaa enemmän arvoa kuin teksti:
- Automatisoitu asiakaspalvelu – puhelintervehdys, puhelun ohjaus, vastaaminen usein kysyttyihin kysymyksiin
- Upotetut ääniavustajat – mobiilisovelluksissa tai IoT-laitteissa
- Ääniopetus – koulutustuki äänen välityksellä
- Saavutettavuus – äänikäyttöliittymä käyttäjille, jotka eivät voi tai halua kirjoittaa
Kustannusnäkökohdat
Hinta on 4,80 $ tunnilta, mikä tekee Voice Agentista taloudellisen valinnan lyhyisiin ja satunnaisiin vuorovaikutuksiin. Suurten volyymien palveluissa kustannukset voivat kuitenkin nousta merkittäviksi. Esimerkiksi puhelinkeskus, joka käsittelee 1 000 tuntia keskustelua kuukaudessa, edellyttäisi 4 800 $:n budjettia.
Tasojärjestelmä koskee myös äänimalleja aivan kuten tekstimallejakin: taso määräytyy kumulatiivisten kulujesi perusteella eikä se koskaan laske. Imagine-rajoitusten nostamiseksi sinun on kuitenkin otettava yhteyttä xAI:n myyntiin.
Text-to-Speech (TTS)
TTS-palvelu muuntaa tekstiä puheeksi korkealaatuisilla synteettisillä äänillä. Laskutus perustuu muunnetun tekstin määrään.
Hinnoittelu ja rajat
| Service | Cost | Limit |
|---|---|---|
| Text-to-Speech | $15 / 1M characters | 50 requests per second and 100 simultaneous sessions at entry tier |
Kustannusten arvioimiseksi: 5 000 merkin blogikirjoituksen muuntaminen ääneksi maksaisi noin 0,075 $. 500 000 merkin äänikirja maksaisi noin 7,50 $.
Käytettävissä olevat äänet
xAI tarjoaa 28 sisäänrakennettua ääntä (tilanne 3. marraskuuta 2026), jotka ovat yhteisiä sekä TTS:lle että Voice Agentille. Äänissä on erilaisia sävyjä ja käyttötarkoituksia, ja voit myös luoda mukautettuja ääniä lyhyen ääninäytteen perusteella. Valitset äänen API-pyynnön yhteydessä, mikä mahdollistaa äänen sovittamisen kontekstiin – ammattimaisen äänen raporttiin tai lämpimän äänen opetusmateriaaliin.
TTS-sovellukset
- Automatisoidut podcastit – muuta blogikirjoituksesi äänisisällöksi
- Kerronta – lisää äänikerros koulutussovelluksiisi
- Saavutettavuus – tee tekstisisällöstä saavutettavaa näkövammaisille käyttäjille
- Ääni-ilmoitukset – puhutut hälytykset ja muistutukset sovelluksissa
- Monikielinen sisältö – luo ääniversioita eri kielillä
Voice Agent vs. TTS: kumman palvelun valitset?
Ero on yksinkertainen:
- Voice Agent: vuorovaikutteisiin reaaliaikaisiin keskusteluihin. Käyttäjä puhuu, malli vastaa. Se on kaksisuuntainen.
- TTS: tekstin yksisuuntaiseen muuntamiseen puheeksi. Ei vuorovaikutusta, vain puheen syntetisointia.
Jos rakennat keskusteluavustajaa, tarvitset Voice Agentin. Jos haluat vain lukea tekstiä ääneen, TTS riittää.
Integrointi olemassa olevaan arkkitehtuuriin
Grokin äänipalvelut integroituvat samaan APIiin kuin teksti- ja kuvamallit. Käytät samoja API-avaimia, samaa laskutusjärjestelmää ja samaa kojelautaa osoitteessa console.x.ai.
Tämä yhtenäistäminen yksinkertaistaa arkkitehtuuria merkittävästi: yksi projekti voi hyödyntää Grok 4.5:tä päättelyyn, grok-build-0.1:tä koodaukseen, Grok Imaginea visuaaliseen sisältöön ja Voice Agentia suulliseen vuorovaikutukseen – kaikki saman kehittäjätilin kautta.
Hinnoittelu tarkistettu 3. marraskuuta 2026 – hinnat muuttuvat säännöllisesti: ennen budjetin laskemista tarkista ajantasainen hinnasto xAI:n viralliselta hinnoittelusivulta.
Keskeiset asiat
- Voice Agent maksaa 0,08 $/min (4,80 $/h) reaaliaikaisista keskusteluista
- TTS maksaa 15 $ miljoonaa merkkiä kohden puheen syntetisoinnista
- Voice Agent: 10–200 samanaikaista istuntoa tason mukaan
- TTS: 100 samanaikaista pyyntöä
- Voice Agent = kaksisuuntainen, TTS = yksisuuntainen
- Ääni-/Imagine-tason korotukset vaativat manuaalisen pyynnön