Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Balso agentas ir TTS

Paskaita 7 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Pradedantisiems
Šiame puslapyje
  1. Grok garso galimybės
  2. Balso agento API
  3. Teksto pavertimas kalba (TTS)
  4. Balso agentas prieš TTS: kurią paslaugą pasirinkti?
  5. Integracija į esamą architektūrą
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 3 d. Remiantis Kainodaros, Apribojimų ir Teksto pavertimo kalba puslapiais bei xAI naujienų pranešimais: balso agentas kainuoja 0,08 USD už minutę (ne 0,05 USD), TTS – 15 USD už milijoną simbolių (ne 4,20 USD), vienu metu vykdomos sesijos priklauso nuo lygio (ne 100 ir ne 30 minučių vienai sesijai); TTS prieinamas nuo 2026 m. kovo mėn. Lygiai taikomi automatiškai balso modeliams; norint padidinti „Imagine“ limitus, reikia kreiptis į pardavimų skyrių. Šaltiniai: Kainodara · Apribojimai · Naujienų pranešimai.

Grok garso galimybės

xAI per savo API siūlo dvi garso paslaugas: balso agentą (kalbos į kalbą API), prieinamą nuo 2025 m. gruodžio mėn., skirtą pokalbiams realiuoju laiku, ir teksto pavertimą kalba (TTS), prieinamą nuo 2026 m. kovo mėn., skirtą balso sintezei. Šios paslaugos leidžia kurti išsamias balsu valdomas sąsajas – nuo automatizuotų telefono sistemų iki integruotų balsu valdomų asistentų.

Balso agento API

Balso agento API leidžia kurti dvikrypčius pokalbius balsu realiuoju laiku. Vartotojas kalba, modelis klauso, supranta ir atsako žodžiu – visa tai vyksta taip greitai, kad pokalbis skamba natūraliai.

Pagrindinės savybės

  • Modelis: grok-voice-3.0, į kurį nukreiptas aliasas grok-voice-latest
  • Vienu metu vykdomos sesijos: pradiniame lygyje – 10, vėliau – 20, 50, 100 ir 200, priklausomai nuo lygio
  • Kainodara: 0,08 USD už minutę arba 4,80 USD už valandą, plius 0,004 USD už teksto įvestį
  • Realusis laikas: delsos optimizuotos natūraliam pokalbiui

Naudojimo atvejai

Balso agentas sukurtas scenarijams, kai bendravimas balsu suteikia daugiau vertės nei tekstas:

  • Automatizuotas klientų aptarnavimas – telefono pasisveikinimas, skambučių maršrutizavimas, atsakymai į dažnai užduodamus klausimus
  • Integruoti balso asistentai – mobiliųjų programėlių ar daiktų interneto (IoT) įrenginių viduje
  • Mokymas balsu – švietimo pagalba per balsą
  • Prieinamumas – balso sąsaja naudotojams, kurie negali arba nenori rašyti

Išlaidų aspektai

Esant 4,80 USD už valandą kainai, balso agentas yra ekonomiškai efektyvus trumpiems ir retai vykstantiems pokalbiams. Tačiau didelės apimties paslaugoms išlaidos gali tapti reikšmingos. Skambučių centras, per mėnesį aptarnaujantis 1 000 valandų pokalbių, turėtų skirti 4 800 USD biudžetą.

Lygių sistema taikoma ir balso modeliams, kaip ir tekstiniams: lygis priklauso nuo jūsų sukauptų išlaidų ir niekada nemažėja. Tačiau norint padidinti „Imagine“ limitus, reikia kreiptis į xAI pardavimų skyrių.

Teksto pavertimas kalba (TTS)

TTS paslauga konvertuoja tekstą į kalbą naudodama aukštos kokybės sintetinius balsus. Ji apmokestinama pagal konvertuoto teksto apimtį.

Kainodara ir limitai

Paslauga Kaina Limitas
Teksto pavertimas kalba 15 USD / 1 mln. simbolių 50 užklausų per sekundę ir 100 vienu metu vykdomų sesijų pradiniame lygyje

Išlaidoms įvertinti: 5 000 simbolių tinklaraščio įrašo konvertavimas į garso įrašą kainuotų apie 0,075 USD. 500 000 simbolių audioknyga kainuotų apie 7,50 USD.

Galimi balsai

xAI siūlo 28 integruotus balsus (duomenys 2026 m. lapkričio 3 d.), bendrus tiek TTS, tiek balso agentui, su įvairiais tonais ir paskirtimis, taip pat individualius balsus, sukurtus iš trumpo garso įrašo. Balsą pasirenkate API užklausos metu, todėl galite jį pritaikyti kontekstui – profesionalų balsą ataskaitai, šiltą balsą mokomajam vaizdo įrašui.

TTS taikymo sritys

  • Automatizuoti tinklalaidės – paverskite savo tinklaraščio įrašus garso turiniu
  • Pasakojimas – pridėkite garso sluoksnį savo švietimo programėlėms
  • Prieinamumas – padarykite teksto turinį prieinamą regos negalią turintiems naudotojams
  • Balsiniai pranešimai – kalbami įspėjimai ir priminimai programėlėse
  • Daugiakalbis turinys – generuokite garso versijas įvairiomis kalbomis

Balso agentas prieš TTS: kurią paslaugą pasirinkti?

Skirtumas paprastas:

  • Balso agentas: skirtas interaktyviems pokalbiams realiuoju laiku. Vartotojas kalba, modelis atsako. Tai dvikryptis ryšys.
  • TTS: skirtas vienakrypčiam teksto pavertimui kalba. Jokių sąveikų, tik balso sintezė.

Jei kuriate pokalbių asistentą, jums reikės balso agento. Jei tiesiog norite perskaityti tekstą garsiai, pakanka TTS.

Integracija į esamą architektūrą

Grok garso paslaugos integruojamos į tą patį API kaip ir teksto bei vaizdų modeliai. Naudojate tuos pačius API raktus, tą pačią atsiskaitymo sistemą ir tą patį skydelį adresu console.x.ai.

Šis suvienodinimas labai supaprastina architektūrą: viename projekte galite naudoti „Grok 4.5“ samprotavimams, grok-build-0.1 kodui, „Grok Imagine“ vaizdams ir balso agentą žodiniam bendravimui – ir visa tai turėdami vieną kūrėjo paskyrą.

Kainodara patikrinta 2026 m. lapkričio 3 d. – kainos keičiasi reguliariai: prieš atlikdami bet kokius biudžeto skaičiavimus, patikrinkite dabartinį kainoraštį oficialioje xAI kainodaros puslapyje.

Svarbiausi punktai

  • Balso agentas kainuoja 0,08 USD/min (4,80 USD/val.) pokalbiams realiuoju laiku
  • TTS kainuoja 15 USD už milijoną simbolių balso sintezei
  • Balso agentas: nuo 10 iki 200 vienu metu vykdomų sesijų, priklausomai nuo lygio
  • TTS: 100 vienu metu vykdomų užklausų
  • Balso agentas = dvikryptis, TTS = vienakryptis
  • Balso/„Imagine“ lygio didinimui reikia rankinio prašymo