Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Aģents balss režīmā un teksta pārvēršana runā (TTS)

Nodarbība 7 no 14 Atjaunota 2026. gada 3. novembris Iesācējs
Šajā lapā
  1. Grok audio iespējas
  2. Aģenta balss režīmā API
  3. Teksta pārvēršana runā (TTS)
  4. Aģents balss režīmā pret TTS: kuru pakalpojumu izvēlēties?
  5. Integrācija esošajā arhitektūrā
  6. Galvenās atziņas

Atjaunināts 2026. gada 3. novembrī. Pamatojoties uz lapām Pricing, Rate Limits, Text to Speech un xAI laidiena piezīmēm: aģents balss režīmā maksā 0,08 USD par minūti (nevis 0,05 USD), TTS — 15 USD par miljonu rakstzīmju (nevis 4,20 USD), vienlaicīgas sesijas atkarībā no līmeņa (nevis 100, nevis 30 minūtes vienā sesijā); TTS pieejams kopš 2026. gada marta; līmeņi automātiski attiecas uz balss modeļiem, lai palielinātu Imagine limitus, jāsazinās ar pārdošanas nodaļu. Avoti: Pricing · Rate limits · Release notes.

Grok audio iespējas

xAI piedāvā divus audio pakalpojumus, izmantojot savu API: aģentu balss režīmā (Speech to Speech API), kas pieejams kopš 2025. gada decembra, lai nodrošinātu sarunas balsī reāllaikā, un teksta pārvēršanu runā (TTS), kas pieejams kopš 2026. gada marta, balss sintēzei. Šie pakalpojumi ļauj izveidot pilnvērtīgas sarunu saskarnes balsī — no automatizētām tālruņa sistēmām līdz iegultajiem balss palīgiem.

Aģenta balss režīmā API

Aģenta balss režīmā API ļauj veidot divvirzienu sarunas balsī reāllaikā. Lietotājs runā, modelis klausās, saprot un atbild mutiski — viss ar pietiekami zemu latentumu, lai saruna būtu dabiska.

Galvenās iespējas

  • Modelis: grok-voice-3.0, uz kuru norāda alias grok-voice-latest
  • Vienlaicīgas sesijas: 10 ieejas līmenī, tad attiecīgi 20, 50, 100 un 200 atkarībā no līmeņa
  • Cena: 0,08 USD par minūti jeb 4,80 USD stundā, plus 0,004 USD par teksta ievadi
  • Reāllaiks: latentums optimizēts dabiskai sarunai

Lietojumgadījumi

Aģents balss režīmā ir paredzēts scenārijiem, kuros mijiedarbība balsī sniedz lielāku vērtību nekā teksts:

  • Automatizēts klientu serviss — tālruņa sveiciens, zvanu maršrutēšana, atbildes uz biežāk uzdotajiem jautājumiem
  • Iegultie balss palīgi — mobilajās lietotnēs vai IoT ierīcēs
  • Apmācība balsī — izglītības atbalsts, izmantojot balsi
  • Pieejamība — balss saskarne lietotājiem, kuri nevar vai nevēlas rakstīt

Izmaksu apsvērumi

Par 4,80 USD stundā aģents balss režīmā ir izdevīgs īsām, epizodiskām mijiedarbībām. Taču augsta apjoma pakalpojumiem izmaksas var kļūt nozīmīgas. Zvanu centrs, kas mēnesī apstrādā 1000 sarunu stundas, prasītu 4800 USD budžetu.

Līmeņu sistēma attiecas arī uz balss modeļiem, tāpat kā uz teksta modeļiem: līmenis ir atkarīgs no jūsu kumulatīvajiem izdevumiem un nekad nesamazinās. Lai gan, lai palielinātu Imagine limitus, tev jāsazinās ar xAI pārdošanas nodaļu.

Teksta pārvēršana runā (TTS)

TTS pakalpojums pārvērš tekstu runā, izmantojot augstas kvalitātes sintētiskās balsis. Tas tiek tarifēts atkarībā no pārvērstā teksta apjoma.

Cenas un limiti

Pakalpojums Izmaksas Limits
Teksta pārvēršana runā 15 USD / 1M rakstzīmju 50 pieprasījumi sekundē un 100 vienlaicīgas sesijas ieejas līmenī

Lai novērtētu savas izmaksas: 5000 rakstzīmju bloga ieraksta pārvēršana audio formātā izmaksātu aptuveni 0,075 USD. 500 000 rakstzīmju audiogrāmata izmaksātu aptuveni 7,50 USD.

Pieejamās balsis

xAI piedāvā 28 iebūvētas balsis (uz 2026. gada 3. novembri), kas ir kopīgas gan TTS, gan aģentam balss režīmā, ar dažādiem toņiem un pielietojumiem, kā arī pielāgotas balsis, kas izveidotas no īsa audio fragmenta. Balsi tu izvēlies API pieprasījuma brīdī, kas ļauj to pielāgot kontekstam — profesionālu balsi ziņojumam, siltu balsi apmācībai.

TTS pielietojumi

  • Automatizēti podkāsti — pārvērt savus bloga ierakstus audio saturā
  • Lasījums — pievieno audio slāni savām izglītības lietotnēm
  • Pieejamība — padari teksta saturu pieejamu redzes traucējumus piedzīvojošiem lietotājiem
  • Balsis paziņojumi — runāti brīdinājumi un atgādinājumi lietotnēs
  • Daudzvalodu saturs — ģenerē audio versijas dažādās valodās

Aģents balss režīmā pret TTS: kuru pakalpojumu izvēlēties?

Atšķirība ir vienkārša:

  • Aģents balss režīmā: interaktīvām sarunām reāllaikā. Lietotājs runā, modelis atbild. Tas ir divvirzienu.
  • TTS: vienvirziena teksta pārvēršanai runā. Nav mijiedarbības, tikai balss sintēze.

Ja tu veido sarunu palīgu, tev būs nepieciešams aģents balss režīmā. Ja tev vienkārši vajag nolasīt tekstu skaļi, pietiek ar TTS.

Integrācija esošajā arhitektūrā

Grok audio pakalpojumi integrējas tajā pašā API, ko izmanto teksta un attēlu modeļi. Tu izmanto tos pašus API atslēgas, to pašu rēķinu sistēmu un to pašu vadības paneli vietnē console.x.ai.

Šī vienotība ievērojami vienkāršo arhitektūru: viens projekts var izmantot Grok 4.5 spriešanai, grok-build-0.1 kodam, Grok Imagine vizuālajiem elementiem un aģentu balss režīmā mutiskai mijiedarbībai — viss ar vienu izstrādātāja kontu.

Cenas pārbaudītas 2026. gada 3. novembrī — cenas regulāri mainās: pirms jebkādiem budžeta aprēķiniem pārbaudi aktuālo cenu lapu oficiālajā xAI cenu lapā.

Galvenās atziņas

  • Aģents balss režīmā maksā 0,08 USD/min (4,80 USD/st) sarunām reāllaikā
  • TTS maksā 15 USD par miljonu rakstzīmju balss sintēzei
  • Aģents balss režīmā: 10 līdz 200 vienlaicīgas sesijas atkarībā no līmeņa
  • TTS: 100 vienlaicīgi pieprasījumi
  • Aģents balss režīmā = divvirzienu, TTS = vienvirziena
  • Līmeņa paaugstināšana balsij/Imagine prasa manuālu pieprasījumu