Voice Agent i TTS
Na ovoj stranici
Ažurirano 3. studenoga 2026. Na temelju stranica Pricing, Rate Limits, Text to Speech i bilješki o izdanjima xAI-ja: Voice Agent košta 0,08 USD po minuti (ne 0,05 USD), TTS košta 15 USD po milijunu znakova (ne 4,20 USD), istodobne sesije ovise o razini (ne 100, niti 30 minuta po sesiji), TTS je dostupan od ožujka 2026.; razine se automatski primjenjuju na glasovne modele, za Imagine je potrebno kontaktirati prodaju. Izvori: Pricing · Rate limits · Release notes.
Grokove audio mogućnosti
xAI nudi dvije audio usluge putem svog API-ja: Voice Agent (Speech to Speech API), dostupan od prosinca 2025., za glasovne razgovore u stvarnom vremenu, i Text-to-Speech (TTS), dostupan od ožujka 2026., za sintezu govora. Ove usluge omogućuju ti izgradnju potpunih glasovnih konverzacijskih sučelja, od automatiziranih telefonskih sustava do ugrađenih glasovnih asistenata.
Voice Agent API
Voice Agent API omogućuje ti stvaranje dvosmjernih glasovnih razgovora u stvarnom vremenu. Korisnik govori, model sluša, razumije i usmeno odgovara – sve uz kašnjenje dovoljno malo za prirodan razgovor.
Ključne značajke
- Model:
grok-voice-3.0, na koji pokazuje aliasgrok-voice-latest - Istodobne sesije: 10 na početnoj razini, zatim 20, 50, 100 i 200 ovisno o razini
- Cijena: 0,08 USD po minuti, odnosno 4,80 USD po satu, plus 0,004 USD po tekstualnom unosu
- Stvarno vrijeme: kašnjenje optimizirano za prirodan razgovor
Slučajevi uporabe
Voice Agent dizajniran je za scenarije u kojima glasovna interakcija dodaje vrijednost u odnosu na tekst:
- Automatizirana korisnička podrška – telefonski pozdrav, usmjeravanje poziva, odgovori na česta pitanja
- Ugrađeni glasovni asistenti – u mobilnim aplikacijama ili IoT uređajima
- Glasovno podučavanje – edukativna podrška putem glasa
- Pristupačnost – glasovno sučelje za korisnike koji ne mogu ili ne žele tipkati
Razmatranja troškova
Po cijeni od 4,80 USD po satu, Voice Agent je isplativ za kratke, povremene interakcije. No trošak može postati značajan za usluge velikog obujma. Call centar koji mjesečno obradi 1000 sati razgovora predstavljao bi proračun od 4800 USD.
Sustav razina također se primjenjuje na glasovne modele, baš kao i na tekstualne: razina ovisi o tvojoj kumulativnoj potrošnji i nikada ne pada. Za povećanje limita za Imagine, međutim, moraš kontaktirati prodaju xAI-ja.
Text-to-Speech (TTS)
Usluga TTS pretvara tekst u govor koristeći sintetičke glasove visoke kvalitete. Naplaćuje se prema volumenu pretvorenog teksta.
Cijene i ograničenja
| Service | Cost | Limit |
|---|---|---|
| Text-to-Speech | $15 / 1M characters | 50 requests per second and 100 simultaneous sessions at entry tier |
Za procjenu troškova: pretvorba blog objave od 5000 znakova u audio koštala bi oko 0,075 USD. Audioknjiga od 500 000 znakova koštala bi oko 7,50 USD.
Dostupni glasovi
xAI nudi 28 ugrađenih glasova (stanje na dan 3. studenoga 2026.), zajedničkih i za TTS i za Voice Agent, s različitim tonovima i namjenama, kao i prilagođene glasove stvorene iz kratkog isječka. Glas biraš u trenutku API zahtjeva, što ti omogućuje prilagodbu glasa kontekstu – profesionalni glas za izvješće, topao glas za tutorijal.
Primjene TTS-a
- Automatizirani podcasti – pretvori svoje blog objave u audio sadržaj
- Naracija – dodaj audio sloj svojim edukativnim aplikacijama
- Pristupačnost – učini tekstualni sadržaj dostupnim slabovidnim korisnicima
- Glasovne obavijesti – govorna upozorenja i podsjetnici u aplikacijama
- Višejezični sadržaj – generiraj audio verzije na različitim jezicima
Voice Agent naspram TTS-a: Koju uslugu odabrati?
Razlika je jednostavna:
- Voice Agent: za interaktivne razgovore u stvarnom vremenu. Korisnik govori, model odgovara. Riječ je o dvosmjernoj komunikaciji.
- TTS: za jednosmjernu pretvorbu teksta u govor. Nema interakcije, samo sinteza govora.
Ako gradiš konverzacijskog asistenta, trebat će ti Voice Agent. Ako samo želiš naglas pročitati tekst, TTS je dovoljan.
Integracija u postojeću arhitekturu
Grokove audio usluge integriraju se u isti API kao i tekstualni te modeli za slike. Koristiš iste API ključeve, isti sustav naplate i istu nadzornu ploču na console.x.ai.
Ova unifikacija značajno pojednostavljuje arhitekturu: jedan projekt može koristiti Grok 4.5 za rezoniranje, grok-build-0.1 za kod, Grok Imagine za vizuale, a Voice Agent za usmenu interakciju, sve s jednim developerskim računom.
Cijene verificirane 3. studenoga 2026. – cijene se redovito mijenjaju: prije bilo kakvog proračuna proračuna, provjeri trenutni cjenik na službenoj stranici xAI cijena.
Ključne točke
- Voice Agent košta 0,08 USD/min (4,80 USD/sat) za razgovore u stvarnom vremenu
- TTS košta 15 USD po milijunu znakova za sintezu govora
- Voice Agent: 10 do 200 istodobnih sesija ovisno o razini
- TTS: 100 istodobnih zahtjeva
- Voice Agent = dvosmjerno, TTS = jednosmjerno
- Nadogradnje razina za Voice/Imagine zahtijevaju ručni zahtjev