Grok Voice: sarunas runātā valodā
Šajā lapā
Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI lapām Text to Speech, Speech to Speech, Pricing un Rate limits: 28 iebūvētās balsis, aktuālās cenas, vienlaicīgas sesijas atkarībā no tarifu plāna un koda piemērs, kas izmanto xAI
POST /v1/ttsgalapunktu. Avoti: Text to Speech · Pricing · Rate limits.
Runā ar Grok
Pēc teksta un attēliem nāk balss. Tu vari vest patiesas sarunas runātā valodā ar asistentu, un uzreiz tev ir jānošķir divi pakalpojumi, kurus cilvēki bieži jauc: Voice Agent, kas paredzēts interaktīvām sarunām reāllaikā, un Text-to-Speech (TTS), kas vienkārši pārvērš tekstu audio. Pirmais klausās un atbild; otrais lasa. Nepareiza izvēle ir visbiežākais iemesls, kāpēc balss projekti pievīļ.

Voice Agent: saruna reāllaikā
Voice Agent ir visiedziļinošākais pakalpojums: tas ļauj tev runāt tieši ar Grok tā, it kā tas būtu cilvēks. Tas darbojas, izmantojot WebSocket savienojumu, kas reāllaikā pārraida divvirzienu audio. Tu runā mikrofonā, Grok tevi klausās un nepārtraukti saprot tavu ziņojumu, pēc tam atbild skaļi; runas noteikšana jeb VAD automātiski apstrādā klusuma brīžus un pārejas. Tieši šis pēdējais punkts atšķir sarunu no balss ziņojumu apmaiņas: tu vari vilkties, un sistēma nedomās, ka esi beidzis, un tu vari to pārtraukt, ja tā virzās nepareizā virzienā.
Ir pieejamas divdesmit astoņas iebūvētās balsis (uz 2026. gada 3. novembri), katrai ar savu personību, un tās vajadzētu izvēlēties, balstoties uz lietojuma gadījumu, nevis personīgo gaumi. Piecas oriģinālās balsis, kā tās apraksta xAI:
| Balss | Raksturs |
|---|---|
| Eve | Enerģiska un dzīvespriecīga, britu akcents |
| Ara | Silta un draudzīga |
| Rex | Pārliecināta un skaidra |
| Sal | Gluda un sabalansēta |
| Leo | Autoritatīva un spēcīga, britu akcents |
Pārējās divdesmit trīs, jaunākās balsis, xAI savā dokumentācijas lapā Text to Speech ir sagrupējis pēc lietojuma gadījuma (atbalsts, stāstījums, izglītība, reklāma, labsajūta).
Sniegums neaprobežojas tikai ar balss tembru. Izteiksmes tagi bagātina atbildes: pauzes rada dabisku ritmu, smiekli atvieglo brīdi, čukstēšana rada tuvības sajūtu. Lietojot tos mēreni, tie izšķir starp viduvēju balsi un tādu, ko cilvēki klausās līdz galam; katrā teikumā tiem ir pretējs efekts.
Voice Agent sarunas laikā var izsaukt arī rīkus: meklēšanu tīmeklī reāllaikā, datubāzu vaicājumus, izsaukumus uz pielāgotiem API. Tu skaļi pajautā pēc aktuālas informācijas, un Grok skaļi atbild ar rezultātu. Atbalsta asistents var pārbaudīt faktisko pasūtījuma statusu, nevis recitēt vispārīgu procedūru.
Text-to-Speech: teksta lasīšana skaļi
TTS apmierina vienkāršāku vajadzību: rakstīta teksta pārvēršanu runātā audio. To izmanto, lai ģenerētu stāstījumus video vai podkastiem, radītu automatizētus balss ziņojumus, padarītu teksta saturu pieejamu cilvēkiem ar redzes traucējumiem un pārraidītu balss paziņojumus un paziņojumus. Pakalpojums aptver divdesmit valodas un spēj arī automātiski noteikt valodu.
API izsaukums aizņem tikai dažas rindiņas:
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)
Rezultāts ir MP3 audio fails, gatavs atskaņošanai vai ievietošanai montāžā.
Ko balss maina uzņēmumiem
Pirmā joma ir klientu apkalpošana: izvērsts kā balss asistents, Voice Agent apstrādā biežāk uzdotos jautājumus un veic meklēšanu reāllaikā, absorbējot atkārtojošos apjomu, neliekot zvanītājiem gaidīt. Tā pati loģika attiecas uz esošo telefoniju: xAI var pati atbildēt uz taviem numuriem, izmantojot SIP, un tādi ietvari kā LiveKit vai Pipecat var pieslēgties, nepārbūvējot zvanu infrastruktūru.
TTS galvenokārt kalpo satura ražošanai: taviem rakstiem, ziņojumiem un prezentācijām tiek piešķirta audio versija ar balsi, kas izvēlēta atbilstoši vēlamajam tonim. Abos gadījumos pieejamībai ir jābūt dizaina sastāvdaļai jau no paša sākuma, nevis jāpievieno to vēlāk: šīs iespējas padara mākslīgo intelektu lietojamu cilvēkiem, kurus teksta saskarnes atstāj aiz borta.
Cik tas maksā
Voice Agent maksā 0,08 USD par minūti jeb 4,80 USD par stundu, plus 0,004 USD par teksta ievadi; sākuma līmenī komanda var atvērt 10 vienlaicīgas sesijas, bet augstākos līmeņos – līdz 200. Text-to-Speech maksā 15 USD par miljonu rakstzīmju, ar 50 pieprasījumiem sekundē un 100 vienlaicīgām sesijām sākuma līmenī. Pirms jebkādas publiskas palaišanas pārbaudi šos vienlaicīguma ierobežojumus: tie nosaka, cik daudz zvanu vari apstrādāt paralēli, un kampaņa, kas tos pārsniedz, rezultēsies zvanītāju gaidīšanas rindā, nevis lielākā rēķinā.
Cenas pārbaudītas 2026. gada 3. novembrī. Cenas mainās bieži: pirms jebkāda budžeta plānošanas pārbaudi aktuālās likmes oficiālajā xAI cenu lapā.
Galvenās atziņas
- Voice Agent ļauj vest sarunas runātā valodā ar Grok reāllaikā, izmantojot WebSocket
- Pieejamas 28 iebūvētās balsis ar dažādām personībām un lietojuma gadījumiem
- TTS pārvērš tekstu audio (pēc noklusējuma MP3) 20 valodās
- Voice Agent sarunas laikā var izmantot rīkus (meklēšana tīmeklī, API)
- Uzņēmumu integrācijai tiek atbalstīti standarta telefonijas protokoli