Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Grok Voice: beszélgetések hangalapú módon

13. lecke 16 közül Frissítve 2026. november 3. Kezdő
Ezen az oldalon
  1. Beszélj a Grokkal
  2. Voice Agent: valós idejű beszélgetés
  3. Szövegfelolvasás (TTS): szöveg hangos felolvasása
  4. Mit változtat a hang az üzleti életben
  5. Költségek
  6. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Text to Speech, Speech to Speech, Pricing és Rate limits oldalai alapján: 28 beépített hang, aktuális árak, egyidejű munkamenetek csomagonként, valamint egy kódpélda, amely az xAI POST /v1/tts végpontját használja. Források: Text to Speech · Pricing · Rate limits.

Beszélj a Grokkal

A szöveg és a képek után jön a hang. Valódi, szóbeli beszélgetéseket folytathatsz az asszisztenssel, és azonnal meg kell különböztetned két szolgáltatást, amelyet az emberek gyakran összekevernek: a Voice Agentet, amelyet interaktív, valós idejű beszélgetésekre terveztek, és a szövegfelolvasást (TTS), amely egyszerűen hanggá alakítja a szöveget. Az első figyel és válaszol; a második felolvas. A rossz választás a leggyakoribb oka annak, hogy a hangalapú projektek csalódást keltenek.

Grok Voice Agent

Voice Agent: valós idejű beszélgetés

A Voice Agent a legmerültebb szolgáltatás: lehetővé teszi, hogy közvetlenül beszélj a Grokkal, ugyanúgy, mint egy emberrel. WebSocket-kapcsolaton fut, amely valós időben továbbítja a kétirányú hangot. Belebeszélsz a mikrofonodba, a Grok folyamatosan meghallgatja és megérti az üzenetedet, majd hangosan válaszol; a beszédfelismerés (VAD) automatikusan kezeli a csendeket és az átmeneteket. Ez utóbbi pont választja el a beszélgetést a hangüzenetek cseréjétől: habozhatsz anélkül, hogy a rendszer azt hinné, végeztél, és megszakíthatod, ha rossz irányba indul.

Huszonnyolc beépített hang áll rendelkezésre (2026. november 3-i állapot szerint), mindegyiknek saját személyisége van, és a használati eset alapján kell választanod, nem pedig ízlés szerint. Az öt eredeti hang, ahogy az xAI leírja őket:

HangSzemélyiség
EveEnergikus és vidám, brit akcentussal
AraMeleg és barátságos
RexMagabiztos és érthető
SalSima és kiegyensúlyozott
LeoTekintélyt parancsoló és erőteljes, brit akcentussal

A másik huszonhárom, újabb hangot az xAI használati esetek szerint csoportosította (ügyfélszolgálat, narráció, oktatás, reklám, wellness) a dokumentációjának Text to Speech oldalán.

A kézbesítés túlmutat a hangszínén. Kifejező címkék gazdagítják a válaszokat: a szünetek természetes ritmust adnak, a nevetés oldja a pillanatot, a suttogás közelségérzetet kelt. Mértékkel használva ezek teszik a különbséget egy közepes és egy olyan hang között, amelyet az emberek a végig hallgatnak; minden mondatban alkalmazva éppen az ellenkező hatást érik el.

A Voice Agent eszközöket is hívhat a beszélgetés során: valós idejű webes kereséseket, adatbázis-lekérdezéseket, egyéni API-hívásokat. Hangosan kérsz friss információkat, és a Grok hangosan válaszol az eredménnyel. Egy ügyfélszolgálati asszisztens ellenőrizheti egy rendelés tényleges státuszát ahelyett, hogy általános eljárásokat szavalna fel.

Szövegfelolvasás (TTS): szöveg hangos felolvasása

A TTS egy egyszerűbb igényt elégít ki: az írott szöveg beszéddé alakítását. Videók vagy podcastok narrációjának generálására, automatizált hangüzenetek készítésére, a szöveges tartalom látássérültek számára történő hozzáférhetővé tételére, valamint hangbemondások és értesítések sugárzására használják. A szolgáltatás húsz nyelvet fed le, és a nyelvet automatikusan is képes felismerni.

Az API-hívás csak néhány sorból áll:

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)

Az eredmény egy MP3 hangfájl, amely azonnal lejátszható vagy beilleszthető egy vágásba.

Mit változtat a hang az üzleti életben

Az első terület az ügyfélszolgálat: hangasszisztensként telepítve a Voice Agent kezeli a gyakori kérdéseket és valós idejű kereséseket futtat, elnyelve az ismétlődő mennyiséget anélkül, hogy várakoztatná a hívókat. Ugyanez a logika kiterjed a meglévő telefonrendszerre is: az xAI maga is fogadhatja a hívásaidat SIP-en keresztül, és olyan keretrendszerek, mint a LiveKit vagy a Pipecat csatlakoztathatók anélkül, hogy újra kellene építened a hívási infrastruktúrádat.

A TTS elsősorban a tartalomgyártást szolgálja: cikkeid, jelentéseid és prezentációid hangverziót kapnak, a kívánt hangulatnak megfelelő hanggal. Mindkét esetben az akadálymentesítésnek már a tervezés kezdetétől részét kell képeznie, nem pedig utólagos kiegészítésnek: ezek a képességek teszik használhatóvá az AI-t azok számára is, akiket a szöveges felületek kizárnak.

Költségek

A Voice Agent percenként 0,08 USD-be, azaz óránként 4,80 USD-be kerül, plusz 0,004 USD szöveges bemenetenként; a belépő szinten egy csapat 10 egyidejű munkamenetet nyithat, magasabb szinteken pedig akár 200-at is. A szövegfelolvasás (TTS) millió karakterenként 15 USD-be kerül, másodpercenként 50 kéréssel és 100 egyidejű munkamenettel a belépő szinten. Ellenőrizd ezeket az egyidejűségi korlátokat bármilyen nyilvános indítás előtt: ezek határozzák meg, hány hívást tudsz egyszerre kezelni, és egy ezeket meghaladó kampány várakozó hívókat eredményez, nem pedig magasabb számlát.

Árak ellenőrizve: 2026. november 3. Az árak gyakran változnak: mielőtt bármit költségvetésbe terveznél, ellenőrizd az aktuális díjakat a hivatalos xAI árazási oldalon.

Főbb megállapítások

  • A Voice Agent valós idejű, hangalapú beszélgetéseket tesz lehetővé a Grokkal WebSocketen keresztül
  • 28 beépített hang áll rendelkezésre, különböző személyiségekkel és használati esetekkel
  • A TTS szöveget alakít hanggá (alapértelmezetten MP3) 20 nyelven
  • A Voice Agent eszközöket (webes keresés, API-k) használhat a beszélgetés során
  • A szabványos telefonprotokollok támogatottak az üzleti integrációhoz