Scopri l'agente vocale Grok
In questa pagina
Aggiornato il 3 novembre 2026. Grok Voice 3.0, rilasciato il 14 ottobre 2026, sostituisce il deprecato Grok Voice 2.0 allo stesso prezzo di 0,08 $ al minuto; l’alias
grok-voice-latestpunta ora alla versione 3.0. Per la trascrizione, il modello predefinito ègrok-voice-transcribe-2.0; la versione 1.0 ha raggiunto la fine del ciclo di vita il 2 ottobre 2026. Fonti: Prezzi · Limiti di frequenza.
Un agente vocale conversazionale in tempo reale
L’API Grok Voice Agent ti permette di creare assistenti capaci di sostenere conversazioni vocali live con i tuoi utenti. Ciò che la distingue da un’architettura classica è proprio il suo design. L’approccio tradizionale concatena tre servizi, ognuno dietro una propria chiamata HTTP: speech-to-text, generazione di una risposta testuale e infine text-to-speech. L’agente vocale, invece, trasmette tutto attraverso un’unica connessione WebSocket persistente. L’utente parla, il modello ascolta, comprende e risponde a voce, senza alcun viaggio di andata e ritorno in tre fasi attraverso la rete.

La differenza si percepisce immediatamente. Una pipeline a tre passaggi lascia un vuoto di diverse centinaia di millisecondi dopo ogni frase. Una conversazione con l’agente vocale sembra più una telefonata: l’interlocutore riprende da dove avevi lasciato, puoi interromperlo e lui prosegue. È questa continuità a separare un menu telefonico che i clienti sopportano da un assistente con cui sono felici di parlare.
Come funziona la connessione
Tutto avviene tramite WebSocket, che mantiene aperto un canale bidirezionale tra la tua app e xAI. Connettiti all’endpoint wss://api.x.ai/v1/realtime e inserisci la tua chiave API nell’intestazione di autorizzazione, esattamente come faresti per una chiamata REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Il server risponde con un evento session.created per confermare che la connessione è aperta. Non considerare la connessione pronta finché questo evento non arriva: è il tuo segnale per inviare la configurazione in un messaggio session.update. Un’app che invia la sua configurazione prima della ricezione di session.created può comportarsi in modo erratico all’avvio.
Il ciclo audio
Una volta configurata la sessione, i dati fluiscono in un ciclo ben definito. La tua app cattura l’audio dal microfono, lo codifica in base64 e lo invia in piccoli blocchi con input_audio_buffer.append. Questo input è continuo: non aspetti che l’utente finisca una frase per iniziare a inviare. Nel frattempo, il server esegue il rilevamento dell’attività vocale (VAD), individuando autonomamente quando l’utente inizia e smette di parlare. Grok elabora quindi quanto detto, lo interpreta nel contesto della conversazione e genera una risposta. L’audio della risposta ti viene trasmesso in streaming tramite response.output_audio.delta, blocco per blocco, anch’esso in base64.
Il vantaggio di questo design è che non devi scrivere alcuna logica di turn-taking. Non decidi tu quando l’utente ha finito e non attivi manualmente la generazione. Se ne occupa il server; tutto ciò che devi fare è riprodurre l’audio man mano che arriva. Il ciclo si ripete fino alla fine della conversazione.
Cosa può fare l’agente mentre parla
L’agente vocale fa più che chiacchierare: può chiamare strumenti nel mezzo di una conversazione. Dispone di ricerca web per informazioni in tempo reale, ricerca su X per i post sulla piattaforma, funzioni personalizzate per chiamare le tue API, ricerca file per esplorare collezioni di documenti vettorializzati e connessioni a server MCP (Model Context Protocol) per accedere a strumenti esterni standardizzati.
Ecco come funziona nella pratica. Un cliente chiama per verificare lo stato di un ordine. Mentre l’agente intrattiene l’utente con una o due frasi, interroga il tuo database tramite una funzione personalizzata, quindi legge ad alta voce la data di consegna. Oppure immagina un assistente per la pianificazione che controlla un calendario tramite un server MCP e offre immediatamente tre fasce orarie. In entrambi i casi, l’utente non si accorge che è stata effettuata una chiamata API.
Vincoli da pianificare fin dal primo giorno
Due limiti definiscono la tua architettura. Il primo è il numero di sessioni concorrenti: 10 nel piano base, poi 20, 50, 100 e 200 a seconda del livello del tuo team. Confronta questo numero con il tuo volume di chiamate di picco prima di andare in produzione. Il secondo è il costo: 0,08 $ al minuto, ovvero 4,80 $ all’ora, più 0,004 $ per input testuale. La fatturazione avviene al minuto, quindi chiudi le sessioni non utilizzate. La documentazione attuale non stabilisce una durata massima della sessione. Per conversazioni lunghe o dopo una connessione interrotta, la ripresa della sessione riproduce la cronologia, che viene mantenuta per 30 minuti dopo l’ultima attività. L’audio è impostato di default su PCM a 24 kHz, ma puoi modificare il formato in base al tuo canale.
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
- L’agente vocale Grok funziona su WebSocket per conversazioni vocali in tempo reale
- Il rilevamento dell’attività vocale (VAD) viene eseguito sul server, semplificando il tuo codice
- L’agente può utilizzare strumenti (web, X, funzioni, file, MCP) durante la conversazione
- Costa 0,08 $ al minuto (4,80 $ all’ora); le sessioni concorrenti variano da 10 a 200 a seconda del tuo piano