Issib ma' l-Aġent tal-Vuċi Grok
F'din il-paġna
Aġġornat fit-3 ta’ Novembru, 2026. Grok Voice 3.0, imħareġ fl-14 ta’ Ottubru, 2026, issostitwixxi l-Grok Voice 2.0 li ġie deprekat bl-istess prezz ta’ $0.08 kull minuta, u l-alias
grok-voice-latestissa jipponta lejn il-verżjoni 3.0. Għat-traskrizzjoni,grok-voice-transcribe-2.0huwa l-mudell default; il-verżjoni 1.0 laħqet it-tmiem tal-ħajja fit-2 ta’ Ottubru, 2026. Sorsi: Prezzijiet · Limiti tar-rata.
Aġent tal-vuċi konversazzjonali f’ħin reali
L-API tal-Aġent tal-Vuċi Grok tippermettilek tibni assistenti li jżommu konversazzjonijiet mitkellma ħajjin mal-utenti tiegħek. Dak li jiddistingwih minn setup klassiku huwa l-arkitettura. L-approċċ klassiku jgħaqqad tliet servizzi, kull wieħed wara sejħa HTTP separata: speech-to-text, tweġiba b’test, u mbagħad text-to-speech. Minflok, l-Aġent tal-Vuċi jistrimja kollox permezz ta’ konnessjoni WebSocket waħda u persistenti. L-utent jitkellem, u l-mudell jisma’, jifhem, u jwieġeb b’leħen għoli, mingħajr ma jsir vjaġġ ‘l hemm u ‘l hawn fin-network fi tliet passi.

Tisma’ d-differenza minnufih. Pipeline ta’ tliet passi iħalli vojt ta’ diversi mijiet ta’ millisekondi wara kull sentenza. Konversazzjoni mal-Aġent tal-Vuċi tħossok aktar bħal telefonata: in-naħa l-oħra tkompli minn fejn waqaft, tista’ taqta’ fuqhom, u huma jkomplu. Dik il-kontinwità hija dak li jissepara menu tat-telefon li l-klijenti jifilħu biss minn assistent li jkun hieni jitkellem miegħu.
Kif taħdem il-konnessjoni
Kollox jaħdem fuq WebSocket, li jżomm kanal bidirezzjonali miftuħ bejn l-app tiegħek u xAI. Ikkonnettja mal-endpoint wss://api.x.ai/v1/realtime u poġġi ċ-ċavetta tal-API tiegħek fl-header tal-awtorizzazzjoni, eżattament kif tagħmel għal sejħa REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Is-server iwieġeb b’avveniment session.created biex jikkonferma li l-konnessjoni hija miftuħa. Tittrattax il-konnessjoni bħala lesta qabel ma jasal dak l-avveniment: dan huwa s-sinjal tiegħek biex tibgħat il-konfigurazzjoni tiegħek f’messaġġ session.update. App li tibgħat il-konfigurazzjoni tagħha qabel ma jidher session.created tista’ timġieb b’mod erraticu waqt l-istartjar.
Iċ-ċiklu tal-awdjo
Ladarba s-sessjoni tkun ikkonfigurata, id-data tgħaddi fi ċiklu definit sewwa. L-app tiegħek taqbad l-awdjo mill-mikrofonu, tikkodifikah f’base64, u tibgħatu f’biċċiet żgħar b’input_audio_buffer.append. Dak id-dħul huwa kontinwu: ma tistennix sakemm l-utent jispiċċa sentenza qabel ma tibda tibgħat. Fl-istess ħin, is-server iħaddem id-detezzjoni tal-attività tal-vuċi (VAD), li tiskopri waħedha meta l-utent jibda u jieqaf jitkellem. Imbagħad Grok jipproċessa dak li ntqal, jinterpretah fil-kuntest tal-konversazzjoni, u jiġġenera tweġiba. L-awdjo tat-tweġiba jiġi strimjat lura lejk permezz ta’ response.output_audio.delta, biċċa wara biċċa, ukoll f’base64.
Il-benefiċċju ta’ dan id-disinn huwa li ma tikteb l-ebda loġika ta’ bidla tad-dawr (turn-taking). Int ma tiddeċidix meta l-utent ikun lest, u lanqas ma ttriggera l-ġenerazzjoni int stess. Is-server jittratta dan, u kollox ma tagħmelx huwa li tħaddan l-awdjo hekk kif jaslek. Iċ-ċiklu jirrepeti ruħu sakemm tintemm il-konversazzjoni.
X’jista’ jagħmel l-aġent waqt li jkun qed jitkellem
L-Aġent tal-Vuċi jista’ jagħmel aktar milli sempliċiment jiddiskuti: jista’ jsejjaħ għodod f’nofs konversazzjoni. Għandu tiftix fuq il-web għal informazzjoni f’ħin reali, tiftix fuq X għal posts fuq il-pjattaforma, funzjonijiet personalizzati biex isejjaħ l-APIs tiegħek stess, tiftix ta’ fajls biex ifittex f’kollezzjonijiet ta’ dokumenti vettorjalizzati, u konnessjonijiet ma’ servers MCP (Model Context Protocol) biex jilħaq għodod esterni standardizzati.
Hekk tidher din il-ħaġa fil-prattika. Klijent iċempel biex jiċċekkja ordni. Waqt li l-aġent iżommu kumpanija b’sentenza jew tnejn, jistaqsi lill-bażi tad-data tiegħek permezz ta’ funzjoni personalizzata, imbagħad jaqra d-data tal-konsenja b’leħen għoli. Jew ħu l-eżempju ta’ assistent tal-iskedar li jiċċekkja kalendarju permezz ta’ server MCP u minnufih joffri tliet ħinijiet disponibbli. Fi kwalunkwe każ, l-utent qatt ma jinnota li ssejħet API.
Limitazzjonijiet li għandek tippjana għalihom mill-ewwel jum
Żewġ limiti jiffurmaw l-arkitettura tiegħek. L-ewwel huwa n-numru ta’ sessjonijiet konkorrenti: 10 fil-livell tad-dħul, imbagħad 20, 50, 100, u 200 skont il-livell tat-tim tiegħek. Qabbel dak in-numru mal-volum massimu ta’ sejħiet tiegħek qabel ma tmur għall-produzzjoni. It-tieni huwa l-ispiża: $0.08 kull minuta, jew $4.80 kull siegħa, flimkien ma’ $0.004 għal kull input ta’ test. Il-fatturazzjoni hija bil-minuta, allura agħlaq is-sessjonijiet li ħadd ma qed juża. Id-dokumentazzjoni attwali ma tistabbilixxix tul massimu għas-sessjoni. Għal konversazzjonijiet twal, jew wara konnessjoni mitfugħa, ir-ripristinar tas-sessjoni jerġa’ jdoqq l-istorja, li tinżamm għal 30 minuta wara l-aħħar attività. L-awdjo huwa default għal 24 kHz PCM, u tista’ tbiddel il-format biex jaqbel mal-kanal tiegħek.
Prezzijiet ivverifikati fit-3 ta’ Novembru, 2026. Il-prezzijiet jinbidlu spiss: qabel tibbaġitja xejn, iċċekkja r-rati attwali fuq il-paġna uffiċjali tal-prezzijiet ta’ xAI.
Punti Ewlenin
- L-Aġent tal-Vuċi Grok jaħdem fuq WebSocket għal konversazzjonijiet tal-vuċi f’ħin reali
- Id-detezzjoni tal-attività tal-vuċi (VAD) taħdem fuq is-server, li jżomm il-kodiċi tiegħek sempliċi
- L-aġent jista’ juża għodod (web, X, funzjonijiet, fajls, MCP) matul il-konversazzjoni
- Jiswa $0.08 kull minuta ($4.80 kull siegħa); is-sessjonijiet konkorrenti jvarjaw minn 10 sa 200 skont il-livell tiegħek