Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Iepazīsties ar Grok Voice Agent

Nodarbība 1 no 14 Atjaunota 2026. gada 3. novembris Vidējs
Šajā lapā
  1. Reāllaika sarunu balss aģents
  2. Kā darbojas savienojums
  3. Audio cikls
  4. Ko aģents spēj darīt runāšanas laikā
  5. Ierobežojumi, kas jāplāno jau no pirmās dienas
  6. Galvenās atziņas

Atjaunināts 2026. gada 3. novembrī. Grok Voice 3.0, kas laists klajā 2026. gada 14. oktobrī, aizstāj novecojušo Grok Voice 2.0 par tādu pašu cenu — 0,08 USD par minūti, un alias grok-voice-latest tagad norāda uz versiju 3.0. Transkribēšanai noklusējuma modelis ir grok-voice-transcribe-2.0; 1.0 versija sasniedza dzīves cikla beigas 2026. gada 2. oktobrī. Avoti: Cenas · Ātruma ierobežojumi.

Reāllaika sarunu balss aģents

Grok Voice Agent API ļauj tev izveidot asistentus, kas ar lietotājiem uztur tiešas runātas sarunas. To no klasiskas pieejas atšķir arhitektūra. Klasiskā pieeā tiek ķēdēti trīs servisi, katrs aiz sava HTTP pieprasījuma: runas pārvēršana tekstā, teksta atbilde un pēc tam teksta pārvēršana runā. Voice Agent tā vietā visu plūsmu nodrošina caur vienu pastāvīgu WebSocket savienojumu. Lietotājs runā, un modelis klausās, saprot un atbild balsī, neveicot trīskāršu apriti pa tīklu.

Grok Voice Agent

Starpību dzirdi uzreiz. Trīs soļu konveijers pēc katra teikuma atstāj vairāku simtu milisekunžu pauzi. Saruna ar Voice Agent atgādina telefona zvanu: otra puse turpina tieši tur, kur tu pārtrauci, vari iejaukties, un saruna rit tālāk. Tieši šī nepārtrauktība atšķir telefona izvēlni, ko klienti pacieš, no asistenta, ar kuru viņi labprāt runā.

$0.08
par minūti
28
iebūvētas balsis
10
vienlaicīgas sesijas sākuma līmenī
$4.80
par stundu

Kā darbojas savienojums

Viss notiek caur WebSocket, kas uztur divvirzienu kanālu starp tavu lietotni un xAI. Izveido savienojumu ar galapunktu wss://api.x.ai/v1/realtime un ievieto savu API atslēgu autorizācijas galvenē, tieši tāpat kā REST pieprasījumā:

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

Serveris atbild ar notikumu session.created, lai apstiprinātu, ka savienojums ir atvērts. Neuzskati savienojumu par gatavu, kamēr šis notikums nav saņemts: tas ir tavs signāls nosūtīt konfigurāciju ziņojumā session.update. Lietotne, kas nosūta savu konfigurāciju pirms session.created parādīšanās, starta brīdī var uzvesties neparedzami.

Audio cikls

Kad sesija ir konfigurēta, dati plūst precīzi definētā ciklā. Tava lietotne fiksē audio no mikrofona, kodē to base64 formātā un nosūta nelielos gabalos, izmantojot input_audio_buffer.append. Šī ievade ir nepārtraukta: tev nav jāgaida, kamēr lietotājs pabeigs teikumu, lai sāktu sūtīšanu. Tikmēr serveris veic balss aktivitātes noteikšanu (VAD), kas patstāvīgi konstatē, kad lietotājs sāk un beidz runāt. Pēc tam Grok apstrādā teikto, interpretē to sarunas kontekstā un ģenerē atbildi. Atbildes audio plūsma tiek nosūtīta tev atpakaļ caur response.output_audio.delta, gabals pa gabalam, arī base64 formātā.

Šī dizaina priekšrocība ir tā, ka tev nav jāraksta nekāda kārtas maiņas loģika. Tu neizlem, kad lietotājs ir beidzis, un pats neizraisi ģenerēšanu. To paveic serveris, un tev tikai jāatskaņo audio, tiklīdz tas pienāk. Cikls atkārtojas, līdz saruna beidzas.

Ko aģents spēj darīt runāšanas laikā

Voice Agent spēj ne tikai čatot: tas sarunas vidū var izsaukt rīkus. Tam ir pieejama tīmekļa meklēšana aktuālai informācijai, X meklēšana platformas ierakstiem, pielāgotas funkcijas tavu pašu API izsaukšanai, failu meklēšana vektorizētu dokumentu kolekcijās un savienojumi ar MCP (Model Context Protocol) serveriem, lai piekļūtu standartizētiem ārējiem rīkiem.

Lūk, kā tas izskatās praksē. Klients zvana, lai uzzinātu pasūtījuma statusu. Kamēr aģents viņu izklaidē ar pāris teikumiem, tas caur pielāgotu funkciju vaicā tavai datubāzei un pēc tam nolas piegādes datumu. Vai arī iedomājies plānošanas asistentu, kas caur MCP serveri pārbauda kalendāru un uzreiz piedāvā trīs laika slotus. Abos gadījumos lietotājs nepamana, ka tika veikts API izsaukums.

Ierobežojumi, kas jāplāno jau no pirmās dienas

Tavu arhitektūru nosaka divi ierobežojumi. Pirmais ir vienlaicīgo sesiju skaits: 10 sākuma līmenī, tad 20, 50, 100 un 200 atkarībā no tavas komandas līmeņa. Salīdzini šo skaitli ar savu maksimālo zvanu apjomu pirms došanās produkcionā. Otrais ir izmaksas: 0,08 USD par minūti jeb 4,80 USD par stundu, plus 0,004 USD par teksta ievadi. Rēķins tiek veidots pa minūtēm, tāpēc aizver sesijas, kuras neviens neizmanto. Pašreizējā dokumentācijā nav noteikts maksimālais sesijas garums. Garām sarunām vai pēc savienojuma pārtraukuma sesijas atsākšana atskaņo vēsturi, kas tiek glabāta 30 minūtes pēc pēdējās aktivitātes. Audio noklusējuma formāts ir 24 kHz PCM, un tu vari mainīt formātu, lai tas atbilstu tavam kanālam.

Cenas pārbaudītas 2026. gada 3. novembrī. Cenas mainās bieži: pirms jebkāda budžeta plānošanas pārbaudi aktuālās likmes oficiālajā xAI cenu lapā.

Galvenās atziņas

  • Grok Voice Agent darbojas caur WebSocket reāllaika balss sarunām
  • Balss aktivitātes noteikšana (VAD) notiek serverī, kas saglabā tavu kodu vienkāršu
  • Aģents sarunas laikā var izmantot rīkus (tīmekli, X, funkcijas, failus, MCP)
  • Izmaksas ir 0,08 USD par minūti (4,80 USD par stundu); vienlaicīgo sesiju skaits svārstās no 10 līdz 200 atkarībā no tava līmeņa