Grok Voice: Hangügynökök és 21 új hang
Ezen az oldalon
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-latestalias a 3.0-ra mutat. Átirat készítéséhez agrok-voice-transcribe-2.0az 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:
| Összetevő | Ár |
|---|---|
| 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