Grok Voice: rozmowy głosowe
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie stron xAI dotyczących Text to Speech, Speech to Speech, Cennika oraz Limitów szybkości: 28 wbudowanych głosów, aktualne ceny, liczba sesji jednoczesnych w zależności od poziomu oraz przykład kodu wykorzystujący punkt końcowy xAI
POST /v1/tts. Źródła: Text to Speech · Cennik · Limity szybkości.
Rozmawiaj z Grokiem
Po tekście i obrazach przychodzi czas na głos. Możesz prowadzić z asystentem prawdziwe rozmowy mówione, ale od razu musisz rozróżnić dwie usługi, które ludzie często mylą: Voice Agent, zaprojektowany do interaktywnych rozmów w czasie rzeczywistym, oraz Text-to-Speech (TTS), który po prostu zamienia tekst na dźwięk. Pierwszy słucha i odpowiada; drugi czyta. Wybór niewłaściwego rozwiązania to najczęstszy powód niepowodzeń projektów głosowych.

Voice Agent: rozmowa w czasie rzeczywistym
Voice Agent to najbardziej immersyjna usługa: pozwala rozmawiać z Grokiem bezpośrednio, tak jak z człowiekiem. Działa na połączeniu WebSocket, które przesyła dwukierunkowe audio w czasie rzeczywistym. Mówisz do mikrofonu, Grok słucha i ciągle rozumie Twoją wiadomość, a następnie odpowiada na głos; wykrywanie zakończenia wypowiedzi (VAD) automatycznie obsługuje ciszę i przejścia. To ostatnie odróżnia rozmowę od wymiany wiadomości głosowych: możesz się zawahać, a system nie uzna, że skończyłeś, i możesz mu przerwać, gdy podąża w złym kierunku.
Dostępnych jest dwadzieścia osiem wbudowanych głosów (stan na 3 listopada 2026 r.), każdy o własnej osobowości, więc powinieneś wybierać na podstawie przypadku użycia, a nie osobistego gustu. Pięć oryginalnych głosów, jak opisuje je xAI:
| Głos | Charakter |
|---|---|
| Eve | Energiczny i radosny, brytyjski akcent |
| Ara | Ciepły i przyjazny |
| Rex | Pewny siebie i wyraźny |
| Sal | Gładki i zrównoważony |
| Leo | Autorytatywny i potężny, brytyjski akcent |
Pozostałe dwadzieścia trzy, nowsze, są grupowane przez xAI według przypadku użycia (wsparcie, narracja, edukacja, reklama, wellness) na stronie Text to Speech w dokumentacji.
Odbiór wykracza poza barwę głosu. Wyraziste tagi wzbogacają odpowiedzi: pauzy nadają naturalne tempo, śmiech rozładowuje napięcie, szept buduje poczucie bliskości. Używane z umiarem, stanowią o różnicy między głosem przeciętnym a takim, którego słucha się do końca; w każdym zdaniu mają odwrotny skutek.
Voice Agent może również wywoływać narzędzia podczas rozmowy: wyszukiwanie w sieci w czasie rzeczywistym, odpytywanie baz danych, wywołania niestandardowych API. Pytasz na głos o aktualne informacje, a Grok odpowiada na głos wynikiem. Asystent wsparcia może sprawdzić rzeczywisty status zamówienia zamiast recytować ogólną procedurę.
Text-to-Speech: czytanie tekstu na głos
TTS zaspokaja prostszą potrzebę: zamiany tekstu pisanego na mowę. Służy do generowania narracji do filmów lub podcastów, tworzenia automatycznych wiadomości głosowych, udostępniania treści tekstowych osobom niedowidzącym oraz emitowania komunikatów i powiadomień głosowych. Usługa obejmuje dwadzieścia języków i potrafi również automatycznie wykrywać język.
Wywołanie API zajmuje zaledwie kilka linii:
import os
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
json={
"text": "Witamy w tym kursie o Groku.",
"voice_id": "eve",
"language": "en",
},
)
with open("welcome.mp3", "wb") as f:
f.write(response.content)
Wynikiem jest plik audio MP3, gotowy do odtworzenia lub wstawienia do montażu.
Co głos zmienia dla biznesu
Pierwszym obszarem jest obsługa klienta: wdrożony jako asystent głosowy, Voice Agent obsługuje typowe pytania i przeprowadza wyszukiwania w czasie rzeczywistym, pochłaniając powtarzalny wolumen bez zmuszania dzwoniących do czekania. Ta sama logika rozciąga się na istniejącą telefonię: xAI może samodzielnie odpowiadać na Twoje numery przez SIP, a frameworki takie jak LiveKit czy Pipecat integrują się bez konieczności przebudowywania infrastruktury połączeń.
TTS służy głównie produkcji treści: Twoje artykuły, raporty i prezentacje zyskują wersję audio, z głosem dobranym do pożądanego tonu. W obu przypadkach dostępność powinna być częścią projektu od samego początku, a nie dodatkiem na końcu: możliwości te sprawiają, że AI staje się użyteczne dla osób, które interfejsy tekstowe pomijają.
Ile to kosztuje
Voice Agent kosztuje 0,08 USD za minutę, czyli 4,80 USD za godzinę, plus 0,004 USD za każde wprowadzone słowo; w podstawowym wariancie zespół może otworzyć 10 sesji jednoczesnych, a w wyższych nawet do 200. Text-to-Speech kosztuje 15 USD za milion znaków, z limitem 50 żądań na sekundę i 100 sesjami jednoczesnymi w wariancie podstawowym. Sprawdź te limity współbieżności przed każdym publicznym uruchomieniem: decydują one o tym, ile połączeń możesz obsłużyć równolegle, a kampania, która je przekroczy, skutkuje dzwoniącymi na linii oczekującej, a nie wyższym rachunkiem.
Ceny sprawdzone 3 listopada 2026 r. Ceny często się zmieniają: zanim cokolwiek zaplanujesz budżetowo, sprawdź aktualne stawki na oficjalnej stronie cennika xAI.
Kluczowe wnioski
- Voice Agent umożliwia prowadzenie rozmów głosowych z Grokiem w czasie rzeczywistym przez WebSocket
- Dostępnych jest 28 wbudowanych głosów o różnych osobowościach i przypadkach użycia
- TTS konwertuje tekst na audio (domyślnie MP3) w 20 językach
- Voice Agent może używać narzędzi (wyszukiwanie w sieci, API) podczas rozmowy
- Obsługiwane są standardowe protokoły telefoniczne do integracji biznesowej