Ismerkedés a Grok Voice Agenttel
Ezen az oldalon
Frissítve: 2026. november 3. A 2026. október 14-én megjelent Grok Voice 3.0 leváltotta a már elavult Grok Voice 2.0-t, változatlan, percenkénti 0,08 USD áron; a
grok-voice-latestalias mostantól a 3.0-verzióra mutat. Átirat készítéséhez agrok-voice-transcribe-2.0az alapértelmezett modell; az 1.0-s verzió élettartama 2026. október 2-án lejárt. Források: Árazás · Sebességkorlátok.
Valós idejű beszélgető hangügynök
A Grok Voice Agent API lehetővé teszi, hogy olyan asszisztenseket építs, amelyek élő, beszélt beszélgetést folytatnak a felhasználóiddal. Ami megkülönbözteti ezt a megoldást a klasszikus felállástól, az az architektúra. A hagyományos megközelítés három szolgáltatást láncol össze, mindegyiket külön HTTP-kérés mögé rejtve: beszédfelismerés (speech-to-text), szöveges válasz, majd szövegből beszéd (text-to-speech). Ezzel szemben a Voice Agent mindent egyetlen tartós WebSocket-kapcsolaton keresztül streamel. A felhasználó beszél, a modell pedig figyel, megérti, és hangosan válaszol, anélkül, hogy a hálózaton háromirányú oda-vissza kommunikációra lenne szükség.

Azonnal hallani fogod a különbséget. A háromlépcsős folyamat minden mondat után több száz milliszekundumos késleltetést okoz. A Voice Agenttel folytatott beszélgetés inkább egy telefonhívásra emlékeztet: a másik fél ott folytatja, ahol abbahagytad, közbevághatsz, és a társalgás gördülékenyen folytatódik. Ez a folyamatosság választja el egymástól azt a telefonos menüt, amit az ügyfelek csak tűrnek, és azt az asszisztenst, akivel szívesen beszélgetnek.
Így működik a kapcsolat
Minden WebSocketen keresztül zajlik, ami kétirányú csatornát tart nyitva az alkalmazásod és az xAI között. Csatlakozz a wss://api.x.ai/v1/realtime végponthoz, és az API-kulcsodat helyezd el az authorization fejlécben, pontosan úgy, ahogy egy REST-hívásnál tennéd:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
A szerver egy session.created eseménnyel válaszol, megerősítve, hogy a kapcsolat létrejött. Ne tekintsed a kapcsolatot késznek, amíg ez az esemény meg nem érkezik: ez a jelzés arra, hogy elküldhesd a konfigurációt egy session.update üzenetben. Ha egy alkalmazás a session.created megjelenése előtt küldi el a konfigurációt, az induláskor kiszámíthatatlanul viselkedhet.
A hanghurok
Miután a munkamenet konfigurálva van, az adatok egy jól meghatározott hurokban áramlanak. Az alkalmazásod rögzíti a hangot a mikrofonról, base64 formátumba kódolja, majd kis csomagokban elküldi az input_audio_buffer.append parancs segítségével. Ez a bemenet folyamatos: nem várod meg, amíg a felhasználó befejezi a mondatot, mielőtt elkezdenéd a küldést. Eközben a szerver futtatja a hangaktivitás-észlelést (VAD), amely automatikusan felismeri, mikor kezd és fejez be beszédet a felhasználó. A Grok ezután feldolgozza az elhangzottakat, kontextusba helyezi őket a beszélgetésben, és generál egy választ. A válaszként szolgáló hanganyag csomagonként, szintén base64 formátumban érkezik vissza hozzád a response.output_audio.delta csatornán keresztül.
Ennek a kialakításnak az előnye, hogy semmilyen váltogatási logikát (turn-taking) nem kell írnod. Nem te döntöd el, mikor végzett a felhasználó, és nem te indítod el a generálást sem. A szerver intézi ezt, neked csak le kell játszanod a beérkező hangot. A hurok addig ismétlődik, amíg a beszélgetés véget nem ér.
Mit tehet az ügynök beszéd közben?
A Voice Agent többre képes, mint egyszerű csevegés: beszélgetés közben eszközöket is hívhat. Rendelkezik webes kereséssel a valós idejű információkhoz, X-kereséssel a platformon található bejegyzésekhez, egyéni függvényekkel a saját API-jaid meghívásához, fájlkereséssel vektorizált dokumentumgyűjtemények átvizsgálásához, valamint MCP (Model Context Protocol) szerverekhez való kapcsolódással szabványosított külső eszközök eléréséhez.
Így néz ez a gyakorlatban. Egy ügyfél hív, hogy érdeklődjön a rendelése felől. Miközben az ügynök egy-két mondattal leköti, lekérdezi az adatbázisodat egy egyéni függvényen keresztül, majd bemondja a kézbesítés dátumát. Vagy képzeld el egy időpontfoglaló asszisztenst, amely egy MCP szerveren keresztül ellenőrzi a naptárat, és azonnal felajánl három időpontot. Bármelyik esetet is nézzük, a felhasználó észre sem veszi, hogy megtörtént egy API-hívás.
Korlátok, amikkel már az első naptól számolnod kell
Két korlát határozza meg az architektúrádat. Az első a párhuzamos munkamenetek száma: a belépő szinten 10, majd a csapatod szintjétől függően 20, 50, 100 és 200. Mielőtt élesítenéd a rendszert, hasonlítsd össze ezt a számot a csúcsidőszaki hívásmennyiségeddel. A második korlát a költség: percenként 0,08 USD, azaz óránként 4,80 USD, plusz szöveges bemenetenként 0,004 USD. A számlázás percalapú, ezért zárd be azokat a munkameneteket, amelyeket senki sem használ. A jelenlegi dokumentáció nem határoz meg maximális munkamenet-hosszt. Hosszú beszélgetések esetén, vagy ha megszakad a kapcsolat, a munkamenet folytatása lejátsza az előzményeket, amelyeket az utolsó tevékenység után 30 percig őriz meg a rendszer. A hang alapértelmezetten 24 kHz-es PCM formátumú, de ezt a csatornádnak megfelelően módosíthatod.
Árak ellenőrizve: 2026. november 3. Az árak gyakran változnak: mielőtt bármit is terveznél a költségvetésedben, ellenőrizd az aktuális díjszabást a hivatalos xAI árazási oldalon.
Főbb megállapítások
- A Grok Voice Agent WebSocketen keresztül működik valós idejű hangbeszélgetésekhez
- A hangaktivitás-észlelés (VAD) a szerveren fut, ami egyszerűvé teszi a kódodat
- Az ügynök eszközöket használhat (web, X, függvények, fájlok, MCP) a beszélgetés során
- Költsége percenként 0,08 USD (óránként 4,80 USD); a párhuzamos munkamenetek száma a szintedtől függően 10 és 200 között mozog