Upoznaj glasovnog agenta Grok
Na ovoj stranici
Ažurirano 3. studenoga 2026. Grok Voice 3.0, objavljen 14. listopada 2026., zamjenjuje zastarjeli Grok Voice 2.0 po istoj cijeni od 0,08 USD po minuti, a alias
grok-voice-latestsada pokazuje na verziju 3.0. Za transkripciju, zadani model jegrok-voice-transcribe-2.0; verzija 1.0 dosegnula je kraj životnog vijeka 2. listopada 2026. Izvori: Cjenik · Ograničenja stope.
Glasovni agent za razgovor u stvarnom vremenu
Grok Voice Agent API omogućuje ti izgradnju asistenata koji vode žive govorne razgovore s tvojim korisnicima. Ono što ga razlikuje od klasične postavke jest arhitektura. Klasični pristup povezuje tri servisa, od kojih svaki stoji iza vlastitog HTTP poziva: pretvorba govora u tekst, tekstualni odgovor, zatim pretvorba teksta u govor. Voice Agent umjesto toga sve strimuje kroz jednu trajnu WebSocket vezu. Korisnik govori, a model sluša, razumije i odgovara naglas, bez trosmjernog putovanja kroz mrežu.

Razliku čuješ odmah. Trokorakni pipeline ostavlja jaz od nekoliko stotina milisekundi nakon svake rečenice. Razgovor s Voice Agentom više podsjeća na telefonski poziv: druga strana nastavlja tamo gdje si stao, možeš upasti u riječ, a razgovor teče dalje. Upravo ta kontinuiranost razdvaja telefonske izbornike koje kupci trpe od asistenata s kojima se rado razgovara.
Kako veza funkcionira
Sve se odvija preko WebSocketa, koji održava dvosmjerni kanal otvorenim između tvoje aplikacije i xAI-a. Spoji se na krajnju točku wss://api.x.ai/v1/realtime i stavi svoj API ključ u zaglavlje za autorizaciju, baš kao što bi to učinio za REST poziv:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Poslužitelj odgovara događajem session.created kako bi potvrdio da je veza otvorena. Nemoj tretirati vezu kao spremnu dok taj događaj ne stigne: to je tvoj signal da pošalješ svoju konfiguraciju u poruci session.update. Aplikacija koja pošalje svoju konfiguraciju prije pojave session.created može se ponašati nepredvidivo pri pokretanju.
Audio petlja
Nakon što je sesija konfigurirana, podaci teku u dobro definiranoj petlji. Tvoja aplikacija hvata audio s mikrofona, kodira ga u base64 i šalje u malim komadima pomoću input_audio_buffer.append. Taj ulaz je kontinuiran: ne čekaš da korisnik završi rečenicu prije nego počneš slati. U međuvremenu, poslužitelj pokreće detekciju glasovne aktivnosti (VAD), koja sama prepoznaje kada korisnik počne i prestane govoriti. Grok zatim obrađuje izrečeno, tumači ga u kontekstu razgovora i generira odgovor. Audio odgovor strimuje se natrag do tebe kroz response.output_audio.delta, komad po komad, također u base64 formatu.
Prednost ovog dizajna je što ne pišeš nikakvu logiku za izmjenu govornika. Ne odlučuješ kada je korisnik gotov i sam ne pokrećeš generiranje. Poslužitelj to rješava, a ti samo reproduciraš audio kako stiže. Petlja se ponavlja dok razgovor ne završi.
Što agent može raditi dok govori
Voice Agent može učiniti više od običnog chatanja: može pozivati alate usred razgovora. Ima web pretragu za informacije u stvarnom vremenu, X pretragu za objave na platformi, prilagođene funkcije za pozivanje tvojih vlastitih API-ja, pretragu datoteka za pregled kolekcija vektoriziranih dokumenata i veze s MCP (Model Context Protocol) poslužiteljima za pristup standardiziranim vanjskim alatima.
Evo kako to izgleda u praksi. Kupac nazove kako bi provjerio narudžbu. Dok ga agent zabavlja s rečenicom ili dvije, upituje tvoju bazu podataka kroz prilagođenu funkciju, a zatim naglas čita datum isporuke. Ili zamisli asistenta za zakazivanje koji provjerava kalendar putem MCP poslužitelja i odmah nudi tri termina. U oba slučaja, korisnik ne primjećuje da je API pozvan.
Ograničenja koja trebaš planirati od prvog dana
Dva ograničenja oblikuju tvoju arhitekturu. Prvo je broj istodobnih sesija: 10 na osnovnoj razini, zatim 20, 50, 100 i 200, ovisno o razini tvog tima. Usporedi taj broj s vrhuncem poziva prije nego što kreneš u proizvodnju. Drugo je trošak: 0,08 USD po minuti, odnosno 4,80 USD po satu, plus 0,004 USD po tekstualnom unosu. Naplata je po minuti, stoga zatvori sesije koje nitko ne koristi. Trenutna dokumentacija ne postavlja maksimalnu duljinu sesije. Za duge razgovore ili nakon prekida veze, nastavak sesije reproducira povijest, koja se čuva 30 minuta nakon posljednje aktivnosti. Audio je zadano postavljen na 24 kHz PCM, a format možeš promijeniti kako bi odgovarao tvom kanalu.
Cijene provjerene 3. studenoga 2026. Cijene se često mijenjaju: prije bilo kakvog planiranja proračuna, provjeri trenutne stope na službenoj stranici s cjenikom xAI.
Ključne točke
- Grok Voice Agent radi preko WebSocketa za glasovne razgovore u stvarnom vremenu
- Detekcija glasovne aktivnosti (VAD) izvodi se na poslužitelju, što tvoj kod održava jednostavnim
- Agent može koristiti alate (web, X, funkcije, datoteke, MCP) tijekom razgovora
- Košta 0,08 USD po minuti (4,80 USD po satu); broj istodobnih sesija kreće se od 10 do 200, ovisno o tvojoj razini