Grok Voice: Voice Agents un 21 jaunas balsis
Šajā lapā
Atjaunināts 2026. gada 2. novembrī — balss. Grok Voice 3.0 (2026. gada 14. oktobris) aizstāj novecojušo Grok Voice 2.0 par tādu pašu cenu — 0,08 USD par minūti; alias
grok-voice-latestnorāda uz 3.0. Transkribēšanai noklusējuma modelis irgrok-voice-transcribe-2.0; 1.0 versija sasniedza dzīves cikla beigas 2026. gada 2. oktobrī. Papildinājums 2026. gada 3. novembrī: Zemāk esošā tabula ir atjaunināta (voice agent par 4,80 USD stundā, nevis 3 USD, kā fiksēts 28. jūlijā), un katalogā tagad ir iekļautas 28 iebūvētās balsis. Avoti: Cenas · Teksts runā (Text to Speech).
xAI balss nodaļa ilgu laiku bija klusākā līnijas māsa: stabila, dokumentēta API, taču faktiski paredzēta tikai komandām ar izstrādes spējām. 2026. gada jūlija sākumā divi secīgi paziņojumi to mainīja. Tie ir jālasa kopā, jo tie iezīmē divus dažādus ieejas punktus vienā un tajā pašā produktā.
Divi paziņojumi, divas auditorijas
Pirmais pienāca 1. jūlijā: Voice Agent Builder. Rīks sola izveidot pielāgotu balss aģentu „mazāk nekā 2 minūtēs, nerakstot nevienu koda rindiņu”. Praksē tu definē aģenta lomu, izvēlies tā balsi, nodrošini zināšanas un pēc tam to izvieto — viss notiek caur saskarni, bez kodēšanas. Tieši šī auditorija trūka xAI balss piedāvājumā: uzņēmuma vadītājs, kurš vēlas izveidot karstās līnijas vai automātiskās centrāles prototipu, neiesaistot izstrādes komandu. API nepazūd; tā joprojām ir ceļš dziļai integrācijai, kur balss aģentam ir jāsarunājas ar tavu CRM vai biļešu sistēmu.
Piecas dienas vēlāk, 6. jūlijā, xAI paziņoja par 21 jaunu daudzvalodu „flagmaņa” balsi priekš Grok Voice un vienlaikus uzlaboja sākotnējo piecu balsu dabiskumu. Tev šī daudzvalodu paplašināšana ir svarīga: balss aģents angļu valodā ir ticams tikai tad, ja tāda ir arī pati balss. Pirms projekta fiksētas izvēles veikšanas velti laiku, lai noklausītos pieejamās balsis savā mērķvalodā — izvade ievērojami atšķiras no vienas balss uz otru, un balss maiņa pēc klientu apkalpošanas uzsākšanas vienmēr ir sarežģītāka nekā pareiza izvēle pašā sākumā.
Cik maksā Voice API
Cenu režģis, kas publicēts vietnē docs.x.ai (fiksēts 2026. gada 3. novembrī), ietilpst četrās rindās, un tas ir vienkārši tabulas dati:
| Komponents | Cena |
|---|---|
| Balss aģents (reāllaiks, grok-voice-3.0) | 0,08 USD par minūti jeb 4,80 USD par stundu, plus 0,004 USD par teksta ievadi |
| Teksts runā (TTS) | 15 USD par miljonu rakstzīmju |
| Partijas transkribēšana (STT batch) | 0,10 USD par stundu |
| Plūsmas transkribēšana (STT streaming) | 0,20 USD par stundu |
Interesantākā ir pirmā rinda, un ne tikai summas dēļ. Balss aģents tiek apmaksāts par stundu, nevis par tokeniem. Tiešās sekas: zvanu centra vai karstās līnijas budžetu var aprēķināt ātri. Ja tavs serviss mēnesī apstrādā 200 sarunu stundas, tu zini, ka rēķins būs 960 USD — neatkarīgi no sarunu biedra runīguma, neatkarīgi no atbilžu sarežģītības. Šis ir izmaksu modelis, ko finanšu komandas saprot uzreiz, turpretī uz tokeniem balstīta rēķinu veidošana prasa vienmēr trauslas prognozes.
Arī starpība starp abiem transkribēšanas režīmiem stāsta savu stāstu. Partijas transkribēšana maksā 0,10 USD par stundu, plūsmas transkribēšana — 0,20 USD: reāllaiks maksā tieši divreiz vairāk. Šis ir klasiskais nozares modelis, un tas liek izstrādāt vienkāršu refleksu: maksā par plūsmu tikai tur, kur tūlītējums patiešām kalpo lietojumam. Tiešraides sapulču subtitri attaisno reāllaiku; zvanu ierakstu transkribēšana analīzei pēc fakta to nekad nedara — partija paveic to pašu darbu uz pusi lētāk.
Ko tas maina tavās esošajās zināšanās
Ja esi pabeidzis mūsu kursus „Grok Voice & Audio”, „Voice Agent API” un „TTS API”, nekas no tā, ko tur apguvi, nav novecojis. Ieviešanas mehānika — reāllaika WebSocket, balss aktivitātes noteikšana (VAD), audio formāti — paliek tieši tāda, kā aprakstīts minētajos kursos. Tas, kas pievienots, ir slānis virsū: bezkoda rīks ātrai prototipēšanai, ievērojami paplašināts balsu katalogs un iepriekš minētais atjauninātais cenu režģis, kas ļauj aprēķināt projekta izmaksas pirms pirmās koda rindiņas uzrakstīšanas.
Praksē pareizā pieeja komandai, kas tikko sāk darbu ar šo tēmu, tagad sastāv no prototipēšanas Voice Agent Builder vidē — divas minūtes ir pietiekami, lai dzirdētu, kā izklausītos tavs lietojums — un tad, ja prototips pārliecina, pāriešanas uz API reālai integrācijai. Apgrieztā secība, sākot ar kodu, vairs nav jēdzīga idejas validēšanai.
Oficiālais avots: docs.x.ai/developers/models un x.ai/news
Galvenās atziņas
- Voice Agent Builder: izveido balss aģentu bez kodēšanas (1. jūlijs)
- 21 jauna daudzvalodu balss paziņota 6. jūlijā; katalogā 3. novembrī ir 28 balsis
- Balss aģents: 4,80 USD par stundu (fiksēts 3. novembrī; 28. jūlija fiksējums bija 3 USD) — budžets, kas aprēķināts laikā, nevis tokenos
- Transkribēšana: 0,10 USD/stundā partijai, 0,20 USD/stundā plūsmai — maksā par reāllaiku saprātīgi