Grok Voice: pokalbiai balsu
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 3 d. remiantis xAI puslapiais Text to Speech, Speech to Speech, Pricing ir Rate limits: 28 integruoti balsai, dabartinės kainos, vienu metu vykdomi seansai pagal tarifų planą ir kodo pavyzdys, naudojantis xAI
POST /v1/ttsgalutinį tašką. Šaltiniai: Text to Speech · Pricing · Rate limits.
Kalbėkis su Grok
Po teksto ir vaizdų ateina balsas. Gali vesti tikrus pokalbius balsu su asistentu, tačiau iškart turi atskirti dvi paslaugas, kurias žmonės dažnai painioja: „Voice Agent“, skirtą interaktyviems pokalbiams realiuoju laiku, ir „Text-to-Speech“ (TTS), kuris tiesiog paverčia tekstą garsu. Pirmasis klauso ir atsako; antrasis skaito. Netinkamo pasirinkimo darymas yra dažniausia priežastis, kodėl balso projektai nuvilia.

Voice Agent: pokalbis realiuoju laiku
„Voice Agent“ yra pati įtraukiančiausia paslauga: ji leidžia tau tiesiogiai kalbėtis su Grok taip, lyg bendrautum su žmogumi. Ji veikia per „WebSocket“ ryšį, kuris realiuoju laiku perduoda abipusį garso srautą. Tu kalbi į mikrofoną, Grok tavęs klauso ir nuolat supranta tavo žinutę, tada atsako balsu; kalbos aptikimas (VAD) automatiškai valdo tylos momentus ir perėjimus. Būtent šis aspektas atskiria pokalbį nuo balso žinučių keitimosi: gali dvejojti, ir sistema nemany, kad baigei, arba gali ją pertraukti, jei ji pasuka neteisinga linkme.
Yra prieinama dvidešimt aštuonių integruotų balsų (2026 m. lapkričio 3 d. duomenimis), kiekvienas turi savo asmenybę, todėl rinktis reikėtų pagal naudojimo atvejį, o ne pagal asmeninį skonį. Penki originalūs balsai, kaip juos apibūdina xAI:
| Balsas | Charakteris |
|---|---|
| Eve | Energingas ir linksmas, britų akcentas |
| Ara | Šiltas ir draugiškas |
| Rex | Pasitikintis savimi ir aiškus |
| Sal | Sklandus ir subalansuotas |
| Leo | Autoritetingas ir galingas, britų akcentas |
Kiti dvidešimt trys, naujesni balsai, xAI dokumentacijos puslapyje Text to Speech sugrupuoti pagal naudojimo atvejus (pagalba, pasakojimas, švietimas, reklama, gerovė).
Pateikimas nėra vien balso tembras. Išraiškingos žymos praturtina atsakymus: pauzės sukuria natūralų ritmą, juokas palengvina akimirką, šnabždesys sukuria artumo jausmą. Naudojamos saikingai, jos lemia skirtumą tarp vidutiniško balso ir tokio, kurio žmonės klauso iki galo; kiekviename sakinyje jos daro priešingą poveikį.
„Voice Agent“ pokalbio metu gali naudoti ir įrankius: paiešką internete realiuoju laiku, duomenų bazių užklausas, kreipimąsi į tinkintas API. Tu garsiai paprašai naujausios informacijos, o Grok garsai atsako rezultatu. Pagalbos asistentas gali patikrinti faktinę užsakymo būklę, o ne recituoti bendrą procedūrą.
Text-to-Speech: teksto skaitymas garsiai
TTS tenkina paprastesnį poreikį: paversti rašytinį tekstą įgarsintu garso įrašu. Ji naudojama kurti pasakojimus vaizdo įrašams ar tinklalaidėms, generuoti automatines balso žinutes, padaryti teksto turinį prieinamą silpnaregiams žmonėms bei transliuoti balso pranešimus ir perspėjimus. Paslauga apima dvidešimt kalbų ir taip pat gali automatiškai aptikti kalbą.
API užklausa užima tik kelias eilutes:
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)
Rezultatas – MP3 garso failas, paruoštas atkurti arba įterpti į montažą.
Ką balsas keičia verslui
Pirmoji sritis – klientų aptarnavimas: diegiamas kaip balso asistentas, „Voice Agent“ tvarko dažniausiai užduodamus klausimus ir atlieka paieškas realiuoju laiku, sugerdamas pasikartojančią apkrovą ir neleisdamas skambintojams laukti. Ta pati logika taikoma esamai telefonijai: xAI gali pati atsakyti į tavo numerius per SIP, o tokios sistemos kaip „LiveKit“ ar „Pipecat“ lengvai integruojamos, nereikalaujant perstatyti visos skambučių infrastruktūros.
TTS daugiausia skirta turinio kūrimui: tavo straipsniai, ataskaitos ir prezentacijos įgauna garso versiją su tonu, kurio nori. Abiem atvejais prieinamumas turėtų būti įtrauktas į projektavimą nuo pat pradžių, o ne pridėtas vėliau: šios galimybės daro dirbtinį intelektą naudojamu tiems žmonėms, kuriems teksto sąsajos yra neprieinamos.
Kaina
Voice Agent kainuoja 0,08 USD už minutę (arba 4,80 USD už valandą) plius 0,004 USD už teksto įvestį; pradiniame tarifų plane komanda gali atidaryti 10 vienu metu vykdomų seansų, o aukštesniuose lygmenyse – iki 200. Text-to-Speech kainuoja 15 USD už milijoną simbolių; pradiniame lygmenyje leidžiama 50 užklausų per sekundę ir 100 vienu metu vykdomų seansų. Prieš bet kokį viešą paleidimą būtinai patikrink šiuos vienu metu vykdomų seansų limitus: jie lemia, kiek skambučių gali apdoroti lygiagrečiai, o kampanija, viršijanti šias ribas, rezultuos laukiančius skambintojus, o ne didesnę sąskaitą.
Kainos patikrintos 2026 m. lapkričio 3 d. Kainos dažnai keičiasi: prieš planuodamas biudžetą, patikrink dabartinius tarifus oficialiame xAI kainų puslapyje.
Svarbiausi punktai
- „Voice Agent“ leidžia vesti pokalbius balsu su Grok realiuoju laiku per „WebSocket“
- Yra prieinama 28 integruoti balsai su skirtingomis asmenybėmis ir naudojimo atvejais
- TTS paverčia tekstą garso įrašu (pagal nutylėjimą MP3) 20 kalbų
- „Voice Agent“ pokalbio metu gali naudoti įrankius (paiešką internete, API)
- Verslo integracijai palaikomi standartiniai telefonijos protokolai