Grok Voice: Voice Agents ja 21 uutta ääntä
Tällä sivulla
Päivitetty 2. marraskuuta 2026 — puhe. Grok Voice 3.0 (14. lokakuuta 2026) korvaa vanhentuneen Grok Voice 2.0:n samalla hinnalla 0,08 dollaria minuutilta; alias
grok-voice-latestviittaa versioon 3.0. Puhtaaksikirjoitusta vartengrok-voice-transcribe-2.0on oletusmalli; versio 1.0 saavutti elinkaarensa pään 2. lokakuuta 2026. Lisäys 3. marraskuuta 2026: Alla oleva taulukko on päivitetty (voice agent 4,80 dollaria tunnilta aiemman 28. heinäkuuta kirjatun 3 dollarin sijaan), ja luettelo sisältää nyt 28 sisäänrakennettua ääntä. Lähteet: Pricing · Text to Speech.
xAI:n puheosasto oli pitkään tuotevalikoiman hiljainen sisarus: vakaa ja hyvin dokumentoitu API, mutta käytännössä varattu vain kehitystiimeille. Heinäkuun alussa 2026 kaksi peräkkäistä ilmoitusta muutti tilanteen. Nämä kannattaa lukea yhdessä, sillä ne hahmottavat kaksi erilaista sisäänmenotapaa samaan tuotteeseen.
Kaksi ilmoitusta, kaksi kohderyhmää
Ensimmäinen saapui 1. heinäkuuta: Voice Agent Builder. Työkalu lupaa mukautetun puheagentin luomisen “alle kahdessa minuutissa, ilman riviäkään koodia”. Käytännössä määrittelet agentin roolin, valitset sen äänen, syötät sille tarvittavan tiedon ja otat sen käyttöön — kaikki tämän kautta käyttöliittymästä, koodia kirjoittamatta. Tämä täyttää juuri sen aukon, joka xAI:n puhetarjonnasta puuttui: liiketoimintavastaavan, joka haluaa tehdä prototyypin asiakaspalvelulinjalle tai automaattiselle puhelinvaihteelle sitomatta kehitystiimiä. API ei katoa mihinkään; se pysyy reittinä syvällisiin integraatioihin, joissa puheagentin täytyy keskustella CRM- tai tikettijärjestelmäsi kanssa.
Viisi päivää myöhemmin, 6. heinäkuuta, xAI ilmoitti 21 uudesta monikielisestä “lippulaiva”-äänestä Grok Voiceen ja paransi samalla alkuperäisen viiden äänen luonnollisuutta. Sinulle tämä monikielinen laajentuminen on tärkeää: englanninkielinen puheagentti on uskottava vain, jos itse äänikin on sitä. Ennen kuin lukitset valinnan projektille, kuuntele rauhassa kohdekielelläsi saatavilla olevia ääniä — lopputulos vaihtelee huomattavasti äänestä toiseen, ja äänen vaihtaminen asiakaspalvelun käynnistämisen jälkeen on aina vaikeampaa kuin oikean valinnan tekeminen alusta alkaen.
Mitä Voice API maksaa
Sivustolla docs.x.ai julkaistu hintataulukko (kirjattu 3. marraskuuta 2026) mahtuu neljälle riville, ja se on suoraviivaista taulukkomuotoista dataa:
| Komponentti | Hinta |
|---|---|
| Voice agent (reaaliaikainen, grok-voice-3.0) | 0,08 dollaria minuutilta tai 4,80 dollaria tunnilta, plus 0,004 dollaria tekstisyötettä kohden |
| Tekstistä puheeksi (TTS) | 15 dollaria miljoonaa merkkiä kohden |
| Eräpuhtaaksikirjoitus (STT batch) | 0,10 dollaria tunnilta |
| Suoratoistopuhtaaksikirjoitus (STT streaming) | 0,20 dollaria tunnilta |
Kiinnostavin rivi on ensimmäinen, eikä vain summan vuoksi. Puheagenttia laskutetaan tunneittain, ei tokenien perusteella. Suora seuraus: kontaktikeskuksen tai puhelinlinjan budjetti lasketaan nopeasti. Jos palvelusi käsittelee 200 tuntia keskustelua kuukaudessa, tiedät laskun olevan 960 dollaria — riippumatta vuorovaikutuksen laajuudesta tai vastausten monimutkaisuudesta. Tämä on kustannusmalli, jonka taloushallinto ymmärtää välittömästi, kun taas token-pohjainen laskutus vaatii aina hauraita ennusteita.
Ero kahden puhtaaksikirjoitustilan välillä kertoo myös oman tarinansa. Eräpuhtaaksikirjoitus maksaa 0,10 dollaria tunnilta, suoratoistopuhtaaksikirjoitus 0,20 dollaria: reaaliaika maksaa täsmälleen kaksinkertaisesti. Tämä on klassinen toimialan kaava, ja se vaatii yksinkertaista reflexiä: maksa suoratoistosta vain silloin, kun välittömyys todella palvelee käyttötapausta. Live-kokousten tekstitykset perustelevat reaaliajan; puhelutallenteiden puhtaaksikirjoitus jälkikäteisanalyysiä varten ei koskaan tee niin — eräajo tekee saman työn puoleen hintaan.
Mitä tämä muuttaa aiemmassa osaamisessasi
Jos olet käynyt kurssimme “Grok Voice & Audio”, “Voice Agent API” ja “TTS API”, mikään oppimasi ei ole vanhentunutta. Toteutuksen mekanismit — reaaliaikainen WebSocket, puheaktiviteetin tunnistus (VAD), äänimuodot — pysyvät täsmälleen niin kuin niissä kursseissa on kuvattu. Päälle on vain lisätty kerros: no-code-työkalu nopeaan prototypointiin, merkittävästi laajentunut äänivalikoima ja yllä oleva päivitetty hintataulukko, jonka avulla voit laskea projektin kustannukset ennen ensimmäisen koodirivin kirjoittamista.
Käytännössä oikea lähestymistapa aiheeseen perehtymättömälle tiimille on nyt prototypoida Voice Agent Builderissa — kaksi minuuttia riittää kuulemaan, miltä käyttötapausesi kuulostaisi — ja jos prototyyppi vakuuttaa, siirtyä APIiin varsinaista integraatiota varten. Käänteinen järjestys, koodilla aloittaminen, ei enää ole järkevää idean validointiin.
Virallinen lähde: docs.x.ai/developers/models ja x.ai/news
Keskeiset asiat
- Voice Agent Builder: luo puheagentti ilman koodia (1. heinäkuuta)
- 21 uutta monikielistä ääntä ilmoitettu 6. heinäkuuta; luettelossa 28 ääntä 3. marraskuuta mennessä
- Voice agent: 4,80 dollaria tunnilta (kirjattu 3. marraskuuta; 28. heinäkuuta kirjattu 3 dollaria) — budjetti lasketaan ajan, ei tokenien perusteella
- Puhtaaksikirjoitus: 0,10 $/tunti eräajo, 0,20 $/tunti suoratoisto — maksa reaaliajasta harkiten