Grok Voice: razgovori glasom
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju stranica xAI Text to Speech, Speech to Speech, Pricing i Rate limits: 28 ugrađenih glasova, trenutne cijene, istodobne sesije po razini i primjer koda koji koristi xAI
POST /v1/ttskrajnju točku. Izvori: Text to Speech · Pricing · Rate limits.
Razgovaraj s Grokom
Nakon teksta i slika, na red dolazi glas. Možeš voditi stvarne govorne razgovore s asistentom, no odmah moraš razlikovati dvije usluge koje ljudi često miješaju: Voice Agent, dizajniran za interaktivne razgovore u stvarnom vremenu, i Text-to-Speech (TTS), koji jednostavno pretvara tekst u zvuk. Prvi sluša i odgovara; drugi čita. Odabir pogrešne usluge najčešći je razlog zašto glasovni projekti razočaraju.

Voice Agent: razgovor u stvarnom vremenu
Voice Agent najimenzivnija je usluga: omogućuje ti izravan razgovor s Grokom kao s pravom osobom. Radi na WebSocket vezi koja prenosi dvosmjerni audio u stvarnom vremenu. Govoriš u mikrofon, Grok te sluša i kontinuirano razumije tvoju poruku, zatim odgovara naglas; detekcija govora ili VAD automatski obrađuje tišinu i prijelaze. Upravo ta posljednja točka razlikuje razgovor od razmjene glasovnih poruka: možeš oklijevati, a da sustav ne pomisli da si završio, i možeš ga prekinuti kada krene u pogrešnom smjeru.
Dostupno je dvadeset osam ugrađenih glasova (stanje na dan 3. studenoga 2026.), svaki sa svojom osobnošću, a trebaš birati prema slučaju upotrebe, a ne osobnom ukusu. Pet izvornih glasova, kako ih opisuje xAI:
| Glas | Karakter |
|---|---|
| Eve | Energična i vesela, britanski naglasak |
| Ara | Topla i prijateljska |
| Rex | Samouvjeren i jasan |
| Sal | Gladak i uravnotežen |
| Leo | Autoritativan i snažan, britanski naglasak |
Ostalih dvadeset tri, novija glasa, xAI grupira prema slučaju upotrebe (podrška, naracija, obrazovanje, oglašavanje, wellness) na stranici Text to Speech u svojoj dokumentaciji.
Isporuka nadilazi sam boju glasa. Ekspresivne oznake obogaćuju odgovore: stanke postavljaju prirodan ritam, smijeh olakšava trenutak, šapat stvara osjećaj bliskosti. Ako se štedljivo koriste, čine razliku između prolaznog glasa i onoga koji ljudi slušaju do kraja; u svakoj rečenici imaju suprotan učinak.
Voice Agent također može pozivati alate tijekom razgovora: pretraživanje weba u stvarnom vremenu, provjere u bazama podataka, pozive prilagođenim API-jima. Naglas tražiš ažurne informacije, a Grok naglas odgovara s rezultatom. Asistent za podršku može provjeriti stvarni status narudžbe umjesto da recitira generički postupak.
Text-to-Speech: čitanje teksta naglas
TTS zadovoljava jednostavniju potrebu: pretvaranje pisanog teksta u govorni audio. Koristi se za generiranje naracije za videozapise ili podcaste, izradu automatiziranih glasovnih poruka, činjenje tekstualnog sadržaja pristupačnim osobama slabijeg vida te emitiranje glasovnih najava i obavijesti. Usluga pokriva dvadeset jezika i također može automatski detektirati jezik.
Poziv API-ju zahtijeva samo nekoliko redaka:
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)
Rezultat je MP3 audio datoteka, spremna za reprodukciju ili ubacivanje u montažu.
Što glas mijenja za poslovanje
Prvo područje je korisnička podrška: raspoređen kao glasovni asistent, Voice Agent obrađuje uobičajena pitanja i pokreće pretraživanja u stvarnom vremenu, apsorbirajući ponavljajući obujam bez čekanja pozivatelja. Ista se logika proteže na postojeću telefoniju: xAI može sam odgovarati na tvoje brojeve putem SIP-a, a okviri poput LiveKit ili Pipecat se uklapaju bez potrebe za ponovnom izgradnjom tvoje pozivne infrastrukture.
TTS prvenstveno služi proizvodnji sadržaja: tvoji članci, izvješća i prezentacije dobivaju audio verziju, s glasom odabranim za ton koji želiš postići. U oba slučaja, pristupačnost zaslužuje biti dio dizajna od samog početka, a ne dodana naknadno: ove mogućnosti čine AI upotrebljivim za ljude koje tekstualna sučelja izostavljaju.
Koliko košta
Voice Agent košta 0,08 USD po minuti, odnosno 4,80 USD po satu, plus 0,004 USD po tekstualnom unosu; na ulaznoj razini, tim može otvoriti 10 istodobnih sesija, a do 200 na višim razinama. Text-to-Speech košta 15 USD po milijunu znakova, s 50 zahtjeva u sekundi i 100 istodobnih sesija na ulaznoj razini. Provjeri ova ograničenja istodobnosti prije svakog javnog lansiranja: ona određuju koliko poziva možeš obraditi paralelno, a kampanja koja ih premaši rezultira pozivateljima na čekanju, a ne većim računom.
Cijene provjerene 3. studenoga 2026. Cijene se često mijenjaju: prije nego što išta planiraš u proračunu, provjeri trenutne stope na službenoj stranici xAI s cijenama.
Ključne točke
- Voice Agent omogućuje govorne razgovore u stvarnom vremenu s Grokom putem WebSocketa
- Dostupno je 28 ugrađenih glasova, s različitim osobnostima i slučajevima upotrebe
- TTS pretvara tekst u audio (MP3 prema zadanim postavkama) na 20 jezika
- Voice Agent može koristiti alate (pretraživanje weba, API-je) tijekom razgovora
- Standardni telefonijski protokoli podržani su za poslovnu integraciju