Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Tutustu Grok Voice -agenttiin

Oppitunti 1 / 14 Päivitetty 3. marraskuuta 2026 Keskitasoinen
Tällä sivulla
  1. Reaaliaikainen keskustelua käyvä puheagentti
  2. Miten yhteys toimii
  3. Äänisilmukka
  4. Mitä agentti voi tehdä puhuessaan
  5. Rajoitukset, jotka on huomioitava alusta alkaen
  6. Keskeiset asiat

Päivitetty 3. marraskuuta 2026. 14. lokakuuta 2026 julkaistu Grok Voice 3.0 korvaa vanhentuneen Grok Voice 2.0:n samalla 0,08 dollarin minuuttihinnalla, ja grok-voice-latest-alias osoittaa nyt versioon 3.0. Tekstitykseen käytettävä oletusmalli on grok-voice-transcribe-2.0; versio 1.0 poistui käytöstä 2. lokakuuta 2026. Lähteet: Hinnoittelu · Nopeusrajoitukset.

Reaaliaikainen keskustelua käyvä puheagentti

Grok Voice Agent -rajapinnan avulla voit rakentaa avustajia, jotka käyvät käyttäjiesi kanssa eläviä, puhuttuja keskusteluja. Mikä erottaa sen perinteisestä asetelmasta, on arkkitehtuuri. Klassinen lähestymistapa ketjuttaa kolme palvelua, joista jokainen vaatii oman HTTP-kutsunsa: puheesta tekstiksi, tekstivaste ja sitten tekstistä puheeksi. Voice Agent sen sijaan suoratoistaa kaiken yhden pysyvän WebSocket-yhteyden kautta. Käyttäjä puhuu, ja malli kuuntelee, ymmärtää ja vastaa ääneen ilman kolmen suunnan verkkokierrosta.

Grok Voice Agent

Kuulet eron heti. Kolmivaiheinen putki jättää useiden satojen millisekuntien tauon jokaisen lauseen jälkeen. Keskustelu Voice Agentin kanssa tuntuu enemmän puhelulta: toinen osapuoli jatkaa siitä, mihin jäit, voit keskeyttää, ja se jatkaa eteenpäin. Juuri tämä jatkuvuus erottaa puhelunvalikon, jonka asiakkaat sietävät, avustajasta, jonka kanssa heillä on mielellään puheita.

$0.08
per minute
28
built-in voices
10
concurrent sessions on the entry tier
$4.80
per hour

Miten yhteys toimii

Kaikki pyörii WebSocketin yli, mikä pitää kaksisuuntaisen kanavan auki sovelluksesi ja xAI:n välillä. Yhdistä osoitteeseen wss://api.x.ai/v1/realtime ja sijoita API-avaimesi valtuutusotsikkoon aivan kuten tekisit REST-kutsussa:

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

Palvelin vastaa session.created-tapahtumalla vahvistaakseen yhteyden olevan auki. Älä pidä yhteyttä valmiina, ennen kuin tämä tapahtuma saapuu: se on signaalisi lähettää konfiguraatiosi session.update-viestinä. Sovellus, joka lähettää konfiguraationsa ennen session.created-tapahtuman ilmestymistä, voi käyttäytyä epävakaasti käynnistyksen aikana.

Äänisilmukka

Kun istunto on konfiguroitu, data virtaa hyvin määritellyssä silmukassa. Sovelluksesi sieppaa äänen mikrofonista, koodaa sen base64-muotoon ja lähettää sen pieninä paloina käyttäen input_audio_buffer.append-komentoa. Tämä syöte on jatkuvaa: et odota käyttäjän lopettavan lausetta ennen lähettämisen aloittamista. Sillä välin palvelin suorittaa puheaktiviteetin tunnistusta (VAD), joka havaitsee itsenäisesti, milloin käyttäjä alkaa ja lopettaa puhumisen. Grok käsittelee sitten sanotun, tulkitsee sen keskustelun kontekstissa ja generoi vastauksen. Vastausääni suoratoistetaan takaisin sinulle response.output_audio.delta-kanavan kautta pala palalta, myös base64-muodossa.

Tämän suunnittelun etuna on, että sinun ei tarvitse kirjoittaa lainkaan vuoronvaihtologiikkaa. Et päätä, milloin käyttäjä on lopettanut, etkä käynnistä generointia itse. Palvelin hoitaa sen, ja sinun tehtäväsi on vain toistaa ääni sitä mukaa, kun se saapuu. Silmukka toistuu, kunnes keskustelu päättyy.

Mitä agentti voi tehdä puhuessaan

Voice Agent osaa muutakin kuin jutella: se voi kutsua työkaluja keskellä keskustelua. Sillä on käytössään verkkohaku reaaliaikaista tietoa varten, X-haku alustan viestejä varten, mukautetut funktiot omien rajapintojesi kutsumiseen, tiedostohaku vektoroitujen dokumenttikokoelmien läpikäymiseen sekä yhteydet MCP (Model Context Protocol) -palvelimiin standardoitujen ulkoisten työkalujen saavuttamiseksi.

Näin se näyttää käytännössä. Asiakas soittaa tarkistaakseen tilauksen statuksen. Sillä aikaa kun agentti pitää hänelle seuraa yhdellä tai kahdella lauseella, se kysyy tietokannaltasi mukautetun funktion kautta ja lukee sitten toimituspäivän ääneen. Tai kuvittele aikatauluavustaja, joka tarkistaa kalenterin MCP-palvelimen kautta ja tarjoaa heti kolme aikaväliä. Kummassakin tapauksessa käyttäjä ei huomaa, että rajapintakutsu tehtiin.

Rajoitukset, jotka on huomioitava alusta alkaen

Kaksi rajoitetta muokkaavat arkkitehtuuriasi. Ensimmäinen on samanaikaisten istuntojen määrä: aloitustasolla 10, sitten 20, 50, 100 ja 200 riippuen tiimisi tasosta. Vertaa tätä lukua huippukuormitukseesi ennen tuotantoon siirtymistä. Toinen on kustannus: 0,08 dollaria minuutilta eli 4,80 dollaria tunnilta, plus 0,004 dollaria tekstisyötteeltä. Laskutus tapahtuu minuuteittain, joten sulje istunnot, joita kukaan ei käytä. Nykyinen dokumentaatio ei aseta enimmäiskestoa istunnolle. Pitkissä keskusteluissa tai yhteyden katketessa istunnon jatkaminen toistaa historian, jota säilytetään 30 minuuttia viimeisen aktiviteetin jälkeen. Ääni on oletusarvoisesti 24 kHz PCM-muodossa, ja voit muuttaa muotoa kanavasi tarpeiden mukaan.

Hinnat tarkistettu 3. marraskuuta 2026. Hinnat muuttuvat usein: ennen kuin budjetoit mitään, tarkista nykyiset hinnat xAI:n viralliselta hinnoittelusivulta.

Keskeiset asiat

  • Grok Voice Agent toimii WebSocketin yli reaaliaikaisia puhekeskusteluja varten
  • Puheaktiviteetin tunnistus (VAD) suoritetaan palvelimella, mikä pitää koodisi yksinkertaisena
  • Agentti voi käyttää työkaluja (web, X, funktiot, tiedostot, MCP) keskustelun aikana
  • Hinta on 0,08 dollaria minuutilta (4,80 dollaria tunnilta); samanaikaisten istuntojen määrä vaihtelee tasosta riippuen 10–200 välillä