Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Grok Voice: Voice agenti i 21 novi glas

Lekcija 5 od 12 Ažurirano 3. studenoga 2026. Srednja razina
Na ovoj stranici
  1. Dvije najave, dvije publike
  2. Koliko košta Voice API
  3. Što to mijenja u tvom postojećem znanju
  4. Ključne točke

Ažurirano 2. studenoga 2026. — glas. Grok Voice 3.0 (14. listopada 2026.) zamjenjuje zastarjeli Grok Voice 2.0 po istoj cijeni od 0,08 USD po minuti; alias grok-voice-latest sada pokazuje na verziju 3.0. Za transkripciju, grok-voice-transcribe-2.0 je zadani model; verzija 1.0 dosegla je kraj životnog vijeka 2. listopada 2026. Dodatak od 3. studenoga 2026.: Donja je tablica ažurirana (voice agent sada košta 4,80 USD po satu umjesto 3 USD koliko je zabilježeno 28. srpnja), a katalog sada uključuje 28 ugrađenih glasova. Izvori: Cjenik · Tekst u govor.

xAI-jev odjel za glasovne tehnologije dugo je bio tihi član obitelji u njihovom asortimanu: čvrst i dobro dokumentiran API, ali efektivno rezerviran za timove s razvojnim kapacitetima. Početkom srpnja 2026. dvije su uzastopne najave to promijenile. Vrijedi ih pročitati zajedno jer ocrtavaju dvije različite ulazne točke u isti proizvod.

Dvije najave, dvije publike

Prva je stigla 1. srpnja: Voice Agent Builder. Ovaj alat obećava izradu prilagođenog voice agenta „za manje od 2 minute, bez ijedne linije koda“. U praksi definiraš ulogu agenta, odabireš njegov glas, pružaš mu potrebna znanja, a zatim ga deployaš — sve putem sučelja, bez pisanja koda. To je upravo publika koja je nedostajala xAI-jevoj glasovnoj ponudi: voditelj poslovanja koji želi izraditi prototip hotlinea ili automatizirane centrale bez angažiranja razvojnog tima. API ne nestaje; on ostaje put za duboke integracije gdje voice agent mora komunicirati s tvojim CRM-om ili sustavom za upravljanje tikovima.

Pet dana kasnije, 6. srpnja, xAI je najavio 21 novi višejezični „flagship“ glas za Grok Voice, usput poboljšavši prirodnost originalnih pet glasova. Za tebe je ovo višejezično širenje važno: voice agent na engleskom jeziku uvjerljiv je samo ako je i sam glas takav. Prije nego što se odlučiš za određeni izbor u projektu, odvoji vrijeme da poslušaš glasove dostupne na tvojem ciljanom jeziku — izlaz se značajno razlikuje od glasa do glasa, a promjena glasa nakon pokretanja korisničke službe uvijek je teža nego dobar odabir na samom početku.

Koliko košta Voice API

Mreža cijena objavljena na docs.x.ai (zabilježena 3. studenoga 2026.) stane u četiri retka i radi se o jednostavnim tabličnim podacima:

KomponentaCijena
Voice agent (stvarno vrijeme, grok-voice-3.0)0,08 USD po minuti, odnosno 4,80 USD po satu, plus 0,004 USD po tekstualnom unosu
Tekst-u-govor (TTS)15 USD po milijunu znakova
Skupna transkripcija (STT batch)0,10 USD po satu
Streaming transkripcija (STT streaming)0,20 USD po satu

Najzanimljiviji je prvi redak, i to ne samo zbog iznosa. Voice agent se naplaćuje po satu, a ne po tokenu. Izravna posljedica: proračun za call centar ili hotline brzo se izračuna. Ako tvoja usluga mjesečno obradi 200 sati razgovora, znaš da će račun iznositi 960 USD — bez obzira na opširnost razmjene, bez obzira na složenost odgovora. Ovo je troškovni model koji financijski timovi odmah razumiju, dok naplata temeljena na tokenima zahtijeva projiciranja koja su uvijek krhka.

Razlika između dva načina transkripcije također govori svoju priču. Skupna transkripcija košta 0,10 USD po satu, streaming transkripcija 0,20 USD: stvarno vrijeme košta točno dvostruko više. To je klasičan obrazac u industriji i zahtijeva jednostavan refleks: plaćaj streaming samo tamo gdje neposrednost doista služi slučaju uporabe. Titlovi za sastanke uživo opravdavaju stvarno vrijeme; transkripcija snimki poziva radi naknadne analize to nikada ne čini — skupna obrada obavlja isti posao za pola cijene.

Što to mijenja u tvom postojećem znanju

Ako si pohađao/la naše tečajeve „Grok Voice & Audio“, „Voice Agent API“ i „TTS API“, ništa što si tamo naučio/la nije zastarjelo. Mehanika implementacije — WebSocket u stvarnom vremenu, detekcija glasovne aktivnosti (VAD), audio formati — ostaje točno onakva kako je opisana u tim tečajevima. Ono što je dodano jest sloj iznad: alat bez kodiranja za brzo prototipiranje, znatno prošireni katalog glasova i gornja ažurirana mreža cijena koja ti omogućuje da izračunaš trošak projekta prije nego što napišeš prvu liniju koda.

U praksi, ispravan pristup za timove koji su novi u ovoj temi sada se sastoji od prototipiranja u Voice Agent Builderu — dvije minute dovoljne su da čuješ kako bi tvoj slučaj uporabe zvučao — a zatim, ako te prototip uvjeri, prelaska na API za stvarnu integraciju. Obrnuti redoslijed, početak s kodom, više nema smisla za validaciju ideje.

Službeni izvor: docs.x.ai/developers/models i x.ai/news

Ključne točke

  • Voice Agent Builder: izradi voice agenta bez kodiranja (1. srpnja)
  • 21 novi višejezični glas najavljen 6. srpnja; 28 glasova u katalogu od 3. studenoga
  • Voice agent: 4,80 USD po satu (zabilježeno 3. studenoga; 3 USD pri snimanju 28. srpnja) — proračun se računa u vremenu, a ne u tokenima
  • Transkripcija: 0,10 USD/sat za skupnu obradu, 0,20 USD/sat za streaming — pametno plaćaj za stvarno vrijeme