Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Susipažinkite su „Grok Voice“ agentu

Paskaita 1 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Vidutinis lygis
Šiame puslapyje
  1. Realaus laiko pokalbių balso agentas
  2. Kaip veikia ryšys
  3. Garso ciklas
  4. Ką agentas gali veikti kalbėdamas
  5. Apribojimai, kuriuos reikia numatyti iš anksto
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 3 d. 2026 m. spalio 14 d. išleistas „Grok Voice 3.0“ pakeitė pasenusį „Grok Voice 2.0“ ta pačia 0,08 USD už minutę kaina, o aliasas grok-voice-latest dabar nukreipia į 3.0 versiją. Transkripcijai numatytasis modelis yra grok-voice-transcribe-2.0; 1.0 versijos gyvavimo ciklas baigėsi 2026 m. spalio 2 d. Šaltiniai: Kainodara · Apribojimai.

Realaus laiko pokalbių balso agentas

„Grok Voice Agent“ API leidžia kurti pagalbininkus, kurie gyvai kalbasi su jūsų naudotojais. Nuo klasikinio sprendimo jį skiria architektūra. Klasikinis požiūris sujungia tris tarnybas, kurių kiekviena pasiekiama atskiru HTTP užklausimu: kalbos pavertimas tekstu, teksto atsakymo generavimas ir teksto pavertimas kalba. Vietoj to, „Voice Agent“ viską perduoda vienu nuolatiniu „WebSocket“ ryšiu. Naudotojas kalba, o modelis klauso, supranta ir garsiai atsako be trijų pakopų kelionės per tinklą.

Grok Voice Agent

Skirtumą girdite iškart. Trijų žingsnių konvejeris po kiekvieno sakinio palieka kelių šimtų milisekundžių tarpą. Pokalbis su „Voice Agent“ primena telefono skambutį: pašnekovas tęsia ten, kur baigėte, galite jį pertraukti, o jis tęsia pokalbį. Būtent šis tęstinumas skiria telefono meniu, kuriuos klientai kenčia, nuo pagalbininko, su kuriuo jie mielai bendrauja.

$0.08
už minutę
28
integruotų balsų
10
vienu metu vykdomų sesijų pradiniame lygmenyje
$4.80
už valandą

Kaip veikia ryšys

Viskas vyksta per „WebSocket“, kuris palaiko dvipusį kanalą tarp jūsų programos ir „xAI“. Prisijunkite prie wss://api.x.ai/v1/realtime galinio taško ir įtraukite savo API raktą į autorizacijos antraštę taip pat, kaip tai darytumėte atlikdami REST užklausą:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Serveris atsako session.created įvykiu, patvirtindamas, kad ryšys užmegztas. Nelaikykite ryšio paruoštu, kol šis įvykis neatvyksta: tai jūsų signalas siųsti konfigūraciją session.update žinute. Programa, siunčianti konfigūraciją prieš pasirodant session.created, paleidimo metu gali elgtis nestabiliai.

Garso ciklas

Sesijai sukonfigūravus, duomenys teka aiškiai apibrėžtu ciklu. Jūsų programa fiksuoja garsą iš mikrofono, koduoja jį „base64“ formatu ir siunčia mažomis dalimis naudodama input_audio_buffer.append. Šis įvesties srautas yra vientisas: nelaukite, kol naudotojas baigs sakinį, prieš pradėdami siųsti. Tuo tarpu serveris vykdo balso aktyvumo aptikimą (VAD), kuris savarankiškai nustato, kada naudotojas pradeda ir baigia kalbėti. Tada „Grok“ apdoroja pasakytą tekstą, interpretuoja jį pokalbio kontekste ir sugeneruoja atsakymą. Atsakymo garso srautas grįžta jums per response.output_audio.delta, dalimis, taip pat „base64“ formatu.

Šio dizaino privalumas tas, kad jums nereikia rašyti jokios ėjimų keitimo logikos. Jūs nesprendžiate, kada naudotojas baigė, ir patys neinicijuojate generavimo. Tai tvarko serveris, o jums tereikia groti gaunamą garsą. Ciklas kartojasi, kol pokalbis baigiasi.

Ką agentas gali veikti kalbėdamas

„Voice Agent“ gali ne tik bendrauti: pokalbio metu jis gali kviesti įrankius. Jis turi interneto paiešką naujausiai informacijai gauti, „X“ paiešką platformos įrašams, tinkintas funkcijas jūsų pačių API kvietimui, failų paiešką vektorizuotų dokumentų kolekcijose ir ryšius su MCP (Model Context Protocol) serveriais standartizuotiems išoriniams įrankiams pasiekti.

Štai kaip tai atrodo praktiškai. Klientas paskambina pasiteirauti apie užsakymą. Kol agentas palaiko pokalbį vienu ar dviem sakiniais, jis per tinkintą funkciją užklausia jūsų duomenų bazę, o tada įskaito pristatymo datą. Arba įsivaizduokite planavimo asistentą, kuris per MCP serverį patikrina kalendorių ir iškart pasiūlo tris laiko tarpus. Bet kuriuo atveju naudotojas nepastebi, kad buvo iškviestas API.

Apribojimai, kuriuos reikia numatyti iš anksto

Jūsų architektūrą lemia du apribojimai. Pirmasis – vienu metu vykdomų sesijų skaičius: pradiniame lygmenyje jų yra 10, o priklausomai nuo jūsų komandos lygmens – 20, 50, 100 ir 200. Prieš pereidami į gamybinę aplinką, palyginkite šį skaičių su didžiausiu skambučių srautu. Antrasis apribojimas – kaina: 0,08 USD už minutę arba 4,80 USD už valandą, plius 0,004 USD už teksto įvestį. Apmokestinama minutėmis, todėl uždarykite nenaudojamas sesijas. Dabartinėje dokumentacijoje nenurodytas maksimalus sesijos ilgis. Ilgų pokalbių metu arba nutrūkus ryšiui, sesijos atnaujinimas pergroja istoriją, kuri saugoma 30 minučių po paskutinio aktyvumo. Garso formatas pagal nutylėjimą yra 24 kHz PCM, tačiau galite jį pakeisti pagal savo kanalą.

Kainos patikrintos 2026 m. lapkričio 3 d. Kainos dažnai keičiasi: prieš planuodami biudžetą, patikrinkite dabartinius tarifus oficialioje „xAI“ kainodaros svetainėje.

Svarbiausi punktai

  • „Grok Voice Agent“ veikia per „WebSocket“ realių laiko balso pokalbiams
  • Balso aktyvumo aptikimas (VAD) vykdomas serveryje, todėl jūsų kodas lieka paprastas
  • Pokalbio metu agentas gali naudoti įrankius (internetą, „X“, funkcijas, failus, MCP)
  • Kaina – 0,08 USD už minutę (4,80 USD už valandą); vienu metu vykdomų sesijų skaičius svyruoja nuo 10 iki 200, priklausomai nuo jūsų lygmens