Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Grok Voice: Hangügynökök és 21 új hang

5. lecke 12 közül Frissítve 2026. november 3. Középhaladó
Ezen az oldalon
  1. Két bejelentés, két célközönség
  2. Mennyibe kerül a Voice API?
  3. Mit jelent ez a meglévő tudásod számára?
  4. Főbb megállapítások

Frissítve: 2026. november 2. – hang. A Grok Voice 3.0 (2026. október 14.) leváltja a megszűnt Grok Voice 2.0-t, változatlan, percenkénti 0,08 USD áron; a grok-voice-latest alias a 3.0-ra mutat. Átirat készítéséhez a grok-voice-transcribe-2.0 az alapértelmezett modell; az 1.0 verzió élettartama 2026. október 2-án lejárt. Kiegészítés 2026. november 3.: Az alábbi táblázat frissült (a hangügynök óradíja 4,80 USD a július 28-i rögzítéskor szereplő 3 USD helyett), a katalógus pedig immár 28 beépített hangot tartalmaz. Források: Árazás · Szövegből beszéd.

Az xAI hangrészlege sokáig a termékcsalád csendesebb testvére volt: megbízható, jól dokumentált API-val rendelkezett, de gyakorlatilag csak fejlesztői csapatok számára volt elérhető. 2026 július elején két egymást követő bejelentés változtatta meg ezt a helyzetet. Ezeket érdemes együtt olvasni, mivel ugyanannak a terméknek két különböző belépési pontját vázolják fel.

Két bejelentés, két célközönség

Az első július 1-jén érkezett: a Voice Agent Builder (Hangügynök-készítő). Az eszköz azt ígéri, hogy „kevesebb mint 2 perc alatt, kód sorának leírása nélkül“ hozhatsz létre egyéni hangügynököt. A gyakorlatban ez azt jelenti, hogy egy felületen belül definiálod az ügynök szerepét, kiválasztod a hangját, megadod a tudásbázisát, majd üzembe helyezed – mindezt kódírás nélkül. Ez pontosan az a hiányzó célcsoport, amelyre az xAI hangkínálata eddig nem fókuszált: az üzleti vezető, aki prototípust szeretne készíteni egy ügyfélszolgálati vonalhoz vagy automatizált központhoz anélkül, hogy lekötne egy fejlesztői csapatot. Az API nem tűnik el; továbbra is ez az út a mély integrációkhoz, ahol a hangügynöknek kommunikálnia kell a CRM-rendszereddel vagy a jegykezelő szoftvereddel.

Öt nappal később, július 6-án az xAI bejelentett 21 új, többnyelvű „zászlóshajó“ hangot a Grok Voice-hoz, és ezzel egyidejűleg javította az eredeti öt hang természetességét is. Számodra ez a többnyelvű bővítés lényeges: egy angol nyelvű hangügynök csak akkor hiteles, ha maga a hang is az. Mielőtt véglegesítenéd a választást egy projekthez, szánj időt arra, hogy meghallgasd a célnyelveden elérhető hangokat – a kimeneti minőség hangról hangra jelentősen változik, és egy ügyfélszolgálat elindítása után mindig nehezebb hangot váltani, mint eleve jól választani.

Mennyibe kerül a Voice API?

A docs.x.ai oldalon közzétett árazási táblázat (2026. november 3-i állapot szerint) négy sorba foglalható, és egyszerű táblázatos adat:

ÖsszetevőÁr
Hangügynök (valós idejű, grok-voice-3.0)Percenként 0,08 USD, azaz óránként 4,80 USD, plusz szöveges bemenetenként 0,004 USD
Szövegből beszéd (TTS)15 USD millió karakterenként
Kötegelt átirat (STT batch)0,10 USD óránként
Folyamatos átirat (STT streaming)0,20 USD óránként

Az első sor a legérdekesebb, és nemcsak az összeg miatt. A hangügynököt óra alapján számlázzák, nem tokenenként. Ennek közvetlen következménye: egy call center vagy ügyfélszolgálat költségvetése gyorsan kiszámolható. Ha a szolgáltatásod havi 200 óra beszélgetést bonyolít le, tudod, hogy a számla 960 USD lesz – függetlenül a beszélgetések terjedelemétől vagy a válaszok összetettségétől. Ez egy olyan költségmodell, amelyet a pénzügyi csapatok azonnal megértenek, míg a tokenalapú számlázás mindig törékeny becsléseket igényel.

A két átirat-mód közötti különbség is sokat elárul. A kötegelt átirat óránként 0,10 USD, a folyamatos átirat 0,20 USD: a valós idejű feldolgozás pontosan kétszer annyiba kerül. Ez az iparági szabvány, amely egy egyszerű reflexet hív életre: csak ott fizess a folyamatos módért, ahol az azonnaliság valóban szolgálja a felhasználási esetet. Az élő találkozók feliratozása indokolja a valós idejű feldolgozást; a hívásfelvételek utólagos elemzés céljából történő átírása soha nem – a kötegelt mód ugyanazt a munkát féláron végzi el.

Mit jelent ez a meglévő tudásod számára?

Ha elvégezted a „Grok Voice és hang“, „Voice Agent API“ és „TTS API“ tanfolyamainkat, semmi sem vált elavulttá abból, amit ott tanultál. A megvalósítás mechanikája – valós idejű WebSocket, hangaktivitás-észlelés (VAD), hangformátumok – pontosan úgy marad, ahogy azokban a tanfolyamokban leírtuk. Ami hozzájárult, az egy új réteg a tetején: egy kód nélküli eszköz a gyors prototípus-készítéshez, egy jelentősen bővült hangkatalógus, és a fenti, frissített árazási táblázat, amely lehetővé teszi, hogy még az első kódsor megírása előtt kiszámold egy projekt költségét.

A gyakorlatban egy témaúj csapat számára a helyes megközelítés most az, hogy a Voice Agent Builderben készítsen prototípust – két perc is elég ahhoz, hogy meghallgasd, hogyan szólna a felhasználási eseted –, majd ha a prototípus meggyőző, válts az API-ra a valódi integráció érdekében. A fordított sorrend, vagyis hogy kóddal kezdj egy ötlet validálásához, már nem értelmezhető.

Hivatalos forrás: docs.x.ai/developers/models és x.ai/news

Főbb megállapítások

  • Voice Agent Builder: hozz létre hangügynököt kód nélkül (július 1.)
  • 21 új, többnyelvű hang bejelentve július 6-án; a katalógus 2026. november 3-tól 28 hangot tartalmaz
  • Hangügynök: óránként 4,80 USD (2026. november 3-i adat; a július 28-i rögzítéskor még 3 USD volt) – a költségvetést időalapúan, nem tokenalapúan számoljuk
  • Átirat: kötegelt mód 0,10 USD/óra, folyamatos mód 0,20 USD/óra – bölcsen fizess a valós idejű feldolgozásért