Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hangügynök és szövegfelolvasás (TTS)

7. lecke 14 közül Frissítve 2026. november 3. Kezdő
Ezen az oldalon
  1. A Grok hangképességei
  2. Voice Agent API
  3. Szövegfelolvasás (TTS)
  4. Voice Agent kontra TTS: Melyik szolgáltatást válaszd?
  5. Integráció meglévő architektúrába
  6. Főbb megállapítások

Frissítve: 2026. november 3. A Pricing (Árazás), Rate Limits (Sebességkorlátok), Text to Speech (Szövegfelolvasás) oldalak és az xAI kiadási jegyzetei alapján: a hangügynök díja percenként 0,08 USD (nem 0,05 USD), a TTS díja millió karakterenként 15 USD (nem 4,20 USD), az egyidejű munkamenetek száma szinttől függ (nem 100, és nem is 30 perc munkamenetenként); a TTS 2026 márciusa óta érhető el; a szintek automatikusan vonatkoznak a hangmodellekre, az Imagine esetében azonban fel kell venni a kapcsolatot az értékesítési osztállyal. Források: Pricing · Rate limits · Release notes.

A Grok hangképességei

Az xAI két hangszolgáltatást kínál az API-ján keresztül: a Voice Agentet (Beszéd-beszéd API), amely 2025 decembere óta érhető el valós idejű hangalapú beszélgetésekhez, valamint a szövegfelolvasást (TTS), amely 2026 márciusa óta elérhető hangszintézisre. Ezekkel a szolgáltatásokkal teljes körű hangalapú beszélgetési felületeket építhetsz, az automatizált telefonrendszerektől a beágyazott hangasszisztensekig.

Voice Agent API

A Voice Agent API lehetővé teszi kétirányú, valós idejű hangalapú beszélgetések létrehozását. A felhasználó beszél, a modell meghallgatja, megérti, majd szóban válaszol – mindezt olyan alacsony késleltetéssel, amely természetes párbeszédet tesz lehetővé.

Főbb jellemzők

  • Modell: grok-voice-3.0, amelyre a grok-voice-latest alias mutat
  • Egyidejű munkamenetek: belépő szinten 10, majd szinttől függően 20, 50, 100 és 200
  • Árazás: percenként 0,08 USD, azaz óránként 4,80 USD, plusz szöveges bemenetenként 0,004 USD
  • Valós idejű: a késleltetés optimalizálva van a természetes beszélgetéshez

Felhasználási esetek

A Voice Agentet olyan forgatókönyvekre tervezték, ahol a hangalapú interakció többletértéket képvisel a szöveggel szemben:

  • Automatizált ügyfélszolgálat – telefonos üdvözlés, hívásátirányítás, gyakori kérdésekre adott válaszok
  • Beágyazott hangasszisztensek – mobilalkalmazásokban vagy IoT-eszközökben
  • Hangalapú oktatás – oktatási támogatás hang útján
  • Akadálymentesítés – hangfelület azoknak a felhasználóknak, akik nem tudnak vagy nem szeretnek gépelni

Költségszempontok

Óránkénti 4,80 USD-s díjazásával a Voice Agent gazdaságos megoldás rövid, alkalmi interakciókhoz. Nagy volumenű szolgáltatások esetén azonban a költség jelentőssé válhat. Egy hívóközpont, amely havi 1000 óra beszélgetést bonyolít le, 4800 USD költségvetést jelentene.

A szintrendszer a hangmodellekre ugyanúgy vonatkozik, mint a szöveges modellekre: a szint a kumulált költésedtől függ, és soha nem csökken. Az Imagine korlátainak növeléséhez azonban fel kell venned a kapcsolatot az xAI értékesítési osztályával.

Szövegfelolvasás (TTS)

A TTS-szolgáltatás kiváló minőségű szintetikus hangokon alakítja át a szöveget beszéddé. A díjazás a konvertált szöveg mennyisége alapján történik.

Árazás és korlátok

Szolgáltatás Költség Korlát
Szövegfelolvasás 15 USD / 1M karakter Másodpercenként 50 kérés és belépő szinten 100 egyidejű munkamenet

A költségek becsléséhez: egy 5000 karakteres blogbejegyzés hanganyaggá alakítása körülbelül 0,075 USD-be kerül. Egy 500 000 karakteres hangoskönyv költsége körülbelül 7,50 USD lenne.

Elérhető hangok

Az xAI 28 beépített hangot kínál (2026. november 3-i állapot szerint), amelyek közösek a TTS és a Voice Agent számára, különféle hangszínekkel és felhasználási területekkel, valamint rövid hangklipből létrehozott egyedi hangokkal. A hangot az API-kérés időpontjában választod ki, így a kontextushoz igazíthatod azt – professzionális hangot egy jelentéshez, meleg tónusú hangot egy oktatóanyaghoz.

TTS-alkalmazások

  • Automatizált podcastok – blogbejegyzéseid átalakítása hangtartalommá
  • Narráció – hangsáv hozzáadása az oktatási alkalmazásaidhoz
  • Akadálymentesítés – szöveges tartalmak hozzáférhetővé tétele látássérült felhasználók számára
  • Hangértesítések – beszélő riasztások és emlékeztetők az alkalmazásokban
  • Többnyelvű tartalom – hangverziók generálása különböző nyelveken

Voice Agent kontra TTS: Melyik szolgáltatást válaszd?

A különbség egyszerű:

  • Voice Agent: interaktív, valós idejű beszélgetésekhez. A felhasználó beszél, a modell válaszol. Kétirányú.
  • TTS: szöveg beszéddé való egyirányú átalakításához. Nincs interakció, csupán hangszintézis.

Ha beszélgetőasszisztenst építesz, a Voice Agentre lesz szükséged. Ha egyszerűen csak fel akarod olvastatni a szöveget, a TTS elegendő.

Integráció meglévő architektúrába

A Grok hangszolgáltatásai ugyanabba az API-ba integrálódnak, mint a szöveges és képi modellek. Ugyanazokat az API-kulcsokat, ugyanazt a számlázási rendszert és ugyanazt a vezérlőpultot használod a console.x.ai oldalon.

Ez az egyesítés jelentősen leegyszerűsíti az architektúrát: egyetlen projekt használhatja a Grok 4.5-öt következtetésre, a grok-build-0.1-et kódoláshoz, a Grok Imagine-t vizuális elemekhez, és a Voice Agentet szóbeli interakcióhoz, mindezt egyetlen fejlesztői fiókkal.

Árazás ellenőrizve: 2026. november 3. – az árak rendszeresen változnak: bármilyen költségvetés-számítás előtt ellenőrizd az aktuális díjszabást az xAI hivatalos árazási oldalán.

Főbb megállapítások

  • A Voice Agent díja valós idejű beszélgetések esetén percenként 0,08 USD (óránként 4,80 USD)
  • A TTS díja hangszintézis esetén millió karakterenként 15 USD
  • Voice Agent: szinttől függően 10–200 egyidejű munkamenet
  • TTS: 100 egyidejű kérés
  • Voice Agent = kétirányú, TTS = egyirányú
  • A Hang/Imagine szintfrissítésekhez manuális kérelem szükséges