Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Grok Voice: conversazioni parlate

Lezione 13 di 16 Aggiornata il 3 novembre 2026 Principiante
In questa pagina
  1. Parla con Grok
  2. Voice Agent: conversazione in tempo reale
  3. Text-to-Speech: leggere il testo ad alta voce
  4. Cosa cambia per le aziende con la voce
  5. Quanto costa
  6. Punti chiave

Aggiornato il 3 novembre 2026, sulla base delle pagine xAI Text to Speech, Speech to Speech, Pricing e Rate limits: 28 voci integrate, prezzi attuali, sessioni simultanee per livello e un esempio di codice che utilizza l’endpoint POST /v1/tts di xAI. Fonti: Text to Speech · Pricing · Rate limits.

Parla con Grok

Dopo testo e immagini, arriva la voce. Puoi intrattenere vere conversazioni parlate con l’assistente, ma devi subito distinguere due servizi che spesso vengono confusi: il Voice Agent, progettato per conversazioni interattive in tempo reale, e il Text-to-Speech (TTS), che si limita a trasformare il testo in audio. Il primo ascolta e risponde; il secondo legge. Scegliere quello sbagliato è la causa principale del fallimento dei progetti vocali.

Grok Voice Agent

Voice Agent: conversazione in tempo reale

Il Voice Agent è il servizio più immersivo: ti permette di parlare direttamente con Grok come faresti con una persona. Funziona su una connessione WebSocket che trasporta audio bidirezionale in tempo reale. Parli nel microfono, Grok ascolta e comprende il tuo messaggio in modo continuo, poi risponde ad alta voce; il rilevamento del turno di parola, o VAD, gestisce automaticamente silenzi e transizioni. È proprio quest’ultimo punto a distinguere una conversazione da uno scambio di messaggi vocali: puoi esitare senza che il sistema pensi che hai finito e puoi interromperlo se sta prendendo la direzione sbagliata.

Sono disponibili ventotto voci integrate (al 3 novembre 2026), ognuna con la propria personalità; dovresti scegliere in base al caso d’uso piuttosto che al gusto personale. Le cinque voci originali, così come le descrive xAI:

VoceCarattere
EveEnergica e ottimista, accento britannico
AraCalda e amichevole
RexSicura e chiara
SalFluida ed equilibrata
LeoAutorevole e potente, accento britannico

Le altre ventitré, più recenti, sono raggruppate da xAI per caso d’uso (supporto, narrazione, educazione, pubblicità, benessere) nella pagina Text to Speech della sua documentazione.

L’erogazione va oltre il timbro della voce. Tag espressivi arricchiscono le risposte: le pause impostano un ritmo naturale, le risate alleggeriscono un momento, i sussurri creano un senso di vicinanza. Usati con parsimonia, fanno la differenza tra una voce passabile e una che le persone ascoltano fino alla fine; in ogni frase, hanno l’effetto opposto.

Il Voice Agent può anche chiamare strumenti durante la conversazione: ricerche web in tempo reale, consultazioni di database, chiamate ad API personalizzate. Chiedi ad alta voce informazioni aggiornate e Grok risponde ad alta voce con il risultato. Un assistente per il supporto può verificare lo stato effettivo di un ordine invece di recitare una procedura generica.

Text-to-Speech: leggere il testo ad alta voce

Il TTS risponde a un bisogno più semplice: trasformare testo scritto in audio parlato. Viene utilizzato per generare narrazioni per video o podcast, produrre messaggi vocali automatizzati, rendere i contenuti testuali accessibili alle persone con ipovisione e diffondere annunci e notifiche vocali. Il servizio copre venti lingue e può anche rilevare automaticamente la lingua.

La chiamata API richiede solo poche righe:

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)

Il risultato è un file audio MP3, pronto per la riproduzione o per essere inserito in un montaggio.

Cosa cambia per le aziende con la voce

Il primo ambito è il servizio clienti: distribuito come assistente vocale, il Voice Agent gestisce le domande comuni ed esegue ricerche in tempo reale, assorbendo volumi ripetitivi senza far attendere i chiamanti. La stessa logica si estende alla telefonia esistente: xAI può rispondere direttamente ai tuoi numeri tramite SIP e framework come LiveKit o Pipecat si integrano senza dover ricostruire la tua infrastruttura di chiamata.

Il TTS serve principalmente alla produzione di contenuti: i tuoi articoli, report e presentazioni ottengono una versione audio, con una voce scelta in base al tono desiderato. In entrambi i casi, l’accessibilità merita di far parte del progetto fin dall’inizio piuttosto che essere aggiunta in seguito: queste capacità rendono l’IA utilizzabile per quelle persone che le interfacce testuali escludono.

Quanto costa

Il Voice Agent costa 0,08 $ al minuto, ovvero 4,80 $ all’ora, più 0,004 $ per input di testo; nel livello base, un team può aprire 10 sessioni simultanee, fino a 200 nei livelli superiori. Il Text-to-Speech costa 15 $ per milione di caratteri, con 50 richieste al secondo e 100 sessioni simultanee nel livello base. Verifica questi limiti di concorrenza prima di qualsiasi lancio pubblico: determinano quante chiamate puoi gestire in parallelo e una campagna che li supera si traduce in chiamanti in attesa, non in una fattura più alta.

Prezzi verificati il 3 novembre 2026. I prezzi cambiano spesso: prima di preventivare qualsiasi cosa, controlla le tariffe attuali sulla pagina ufficiale dei prezzi di xAI.

Punti chiave

  • Il Voice Agent abilita conversazioni parlate in tempo reale con Grok tramite WebSocket
  • Sono disponibili 28 voci integrate, con diverse personalità e casi d’uso
  • Il TTS converte il testo in audio (MP3 di default) in 20 lingue
  • Il Voice Agent può utilizzare strumenti (ricerca web, API) durante la conversazione
  • I protocolli di telefonia standard sono supportati per l’integrazione aziendale