Grok Voice: konversazzjonijiet mitkellma
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026, ibbażat fuq il-paġni Text to Speech, Speech to Speech, Pricing, u Rate limits ta’ xAI: 28 vuċi integrata, prezzijiet attwali, sessjonijiet konkorrenti skont il-livell, u eżempju ta’ kodiċi li juża l-endpoint
POST /v1/ttsta’ xAI. Sorsi: Text to Speech · Pricing · Rate limits.
Kellem ma’ Grok
Wara t-test u l-immaġnijiet, issa ġej il-vuċi. Tista’ ssib konversazzjonijiet reali mitkellma mal-assistent, u minnufih trid tagħmel distinzjoni bejn żewġ servizzi li n-nies spiss iħalltu: il-Voice Agent, iddisinjat għal konversazzjonijiet interattivi f’ħin reali, u t-Text-to-Speech (TTS), li sempliċiment ibiddel it-test f’awdjo. L-ewwel jisma’ u jwieġeb; it-tieni jaqra. Li tagħżel dak ħażin huwa l-aktar raġuni komuni għaliex proġetti tal-vuċi jiddiżappuntaw.

Voice Agent: konversazzjoni f’ħin reali
Il-Voice Agent huwa l-aktar servizz immersiv: jħallik titkellem direttament ma’ Grok bħalma tagħmel ma’ persuna. Jaħdem fuq konnessjoni WebSocket li ġġorr awdjo bid-direzzjonali f’ħin reali. Titkellem fil-mikrofon tiegħek, Grok jisma’ u jifhem il-messaġġ tiegħek kontinwament, imbagħad iwieġeb bil-vuċi; is-sejbien tad-dawran, jew VAD, jimmaniġġja s-skiet u t-tranżizzjonijiet awtomatikament. Dak l-aħħar punt huwa dak li jifred konversazzjoni minn skambju ta’ messaġġi bil-vuċi: tista’ titbiegħed mingħajr ma s-sistema taħseb li spiċċajt, u tista’ taqtgħilha meta tmur fid-direzzjoni ħażina.
Hemm disponibbli tmienja u għoxrin vuċi integrata (sal-3 ta’ Novembru 2026), kull waħda bil-personalità tagħha stess, u għandek tagħżel ibbażat fuq il-każ ta’ użu aktar milli fuq it-togħma personali. Il-ħames vuċijiet oriġinali, kif jiddeskrivihom xAI:
| Vuċi | Karattru |
|---|---|
| Eve | Enerġetika u pożittiva, aċċent Brittaniku |
| Ara | Sħuna u ħbiba |
| Rex | Kunfidenti u ċara |
| Sal | Lixxa u bbilanċjata |
| Leo | Awtoritarja u qawwija, aċċent Brittaniku |
L-oħrajn tlieta u għoxrin, aktar riċenti, huma raggruppati minn xAI skont il-każ ta’ użu (appoġġ, narrazzjoni, edukazzjoni, reklamar, benesseri) fil-paġna Text to Speech tad-dokumentazzjoni tagħha.
Il-konsenja tmur lil hinn mit-timbru tal-vuċi. Tags espressivi jarricchixxu t-tweġibiet: pawżi jistabbilixxu ritmu naturali, daħka tħaffef il-mument, u l-ħmsija toħloq sens ta’ qrib. Meta jintużaw b’mod frugali, jagħmlu d-differenza bejn vuċi passabbli u waħda li n-nies jisimgħuha sal-aħħar; f’kull sentenza, ikollhom l-effett oppost.
Il-Voice Agent jista’ wkoll isejjaħ għodod waqt il-konversazzjoni: tfittxijiet fuq il-web f’ħin reali, konsultazzjonijiet ta’ bażijiet tad-data, sejħiet lejn API personalizzati. Titlob bil-vuċi għal informazzjoni aġġornata, u Grok iwieġeb bil-vuċi bir-riżultat. Assistent tal-appoġġ jista’ jiċċekkja l-istatus attwali ta’ ordni minflok ma jirreċita proċedura ġenerika.
Text-to-Speech: qari tat-test bil-vuċi
It-TTS jissodisfa ħtieġa aktar sempliċi: li jbiddel test miktub f’awdjo mitkellem. Jintuża biex jiġġenera narrazzjoni għal vidjows jew podcasts, jipproduċi messaġġi awtomatiċi bil-vuċi, jagħmel kontenut testwali aċċessibbli għal persuni b’viżjoni baxxa, u xxandar announcements u notifiki bil-vuċi. Is-servizz ikopri għoxrin lingwa u jista’ wkoll jiskopri l-lingwa awtomatikament.
Is-sejħa tal-API tieħu ftit linji biss:
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)
Ir-riżultat huwa fajl awdjo MP3, lest biex jindaqq jew jitqiegħed f’editjar.
X’ibiddel il-vuċi għan-negozji
L-ewwel qasam huwa s-servizz tal-klijenti: meta jiġi dispjegat bħala assistent bil-vuċi, il-Voice Agent jimmaniġġja mistoqsijiet komuni u jwettaq tfittxijiet f’ħin reali, jassorbi volum ripetittiv mingħajr ma jħalli lill-klijenti jistennew. L-istess loġika testendi għat-telefonija eżistenti: xAI jista’ jwieġeb in-numri tiegħek innifsu fuq SIP, u frameworks bħal LiveKit jew Pipecat jistgħu jiġu integrati, mingħajr ma terġa’ tibni l-infrastruttura tas-sejħiet tiegħek.
It-TTS iservi prinċipalment għall-produzzjoni tal-kontenut: l-artikli, ir-rapporti u l-preżentazzjonijiet tiegħek jiksbu verżjoni awdjo, b’vuċi magħżula għat-ton li trid. Fiż-żewġ każijiet, l-aċċessibbiltà tisħoqqilha tkun parti mid-disinn mill-bidu nett minflok ma tiżdied wara: dawn il-kapaċitajiet jagħmlu l-AI użabbli għal persuni li l-interfaċċi tat-test iħallu barra.
Kemm jiswew
Il-Voice Agent jiswew $0.08 kull minuta, jew $4.80 kull siegħa, flimkien ma’ $0.004 kull input ta’ test; fil-livell tad-dħul, tim jista’ jiftaħ 10 sessjonijiet konkorrenti, u sa 200 f’livelli ogħla. It-Text-to-Speech jiswew $15 għal kull miljun karattru, b’50 talba kull sekonda u 100 sessjoni konkorrenti fil-livell tad-dħul. Iċċekkja dawn il-limiti ta’ konkorrenza qabel kwalunkwe tnedija pubblika: huma jiddeterminaw kemm sejħiet tista’ timmaniġġja parallell, u kampanja li taqbeżhom tirriżulta f’klijenti fuq l-istennija, mhux f’kont ogħla.
Prezzijiet ivverifikati fit-3 ta’ Novembru 2026. Il-prezzijiet jinbidlu spiss: qabel tibbaġitja xejn, iċċekkja r-rati attwali fil-paġna uffiċjali tal-prezzijiet ta’ xAI.
Punti Ewlenin
- Il-Voice Agent jippermetti konversazzjonijiet mitkellma f’ħin reali ma’ Grok fuq WebSocket
- Hemm disponibbli 28 vuċi integrata, b’personalitajiet u każijiet ta’ użu differenti
- It-TTS jikkonverti test f’awdjo (MP3 b’mod default) f’20 lingwa
- Il-Voice Agent jista’ juża għodod (tiftix fuq il-web, APIs) waqt il-konversazzjoni
- Il-protokolli standard tat-telefonija huma appoġġjati għall-integrazzjoni tan-negozju