Przejdź do głównej treści
Polski— Wybierz język
Menu

Agent głosowy i TTS

Lekcja 7 z 14 Zaktualizowano 3 listopada 2026 Początkujący
Na tej stronie
  1. Możliwości audio Grok
  2. API Agenta głosowego
  3. Tekst na mowę (TTS)
  4. Agent głosowy kontra TTS: którą usługę wybrać?
  5. Integracja z istniejącą architekturą
  6. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. Na podstawie stron Cennik, Limity szybkości, Tekst na mowę oraz notatek wydawniczych xAI: agent głosowy kosztuje 0,08 USD za minutę (nie 0,05 USD), TTS kosztuje 15 USD za milion znaków (nie 4,20 USD), sesje równoległe zależą od poziomu (nie 100 ani 30 minut na sesję), TTS dostępne od marca 2026 r.; poziomy stosują się automatycznie do modeli głosowych, Imagine wymaga kontaktu z działem sprzedaży. Źródła: Cennik · Limity szybkości · Notatki wydawnicze.

Możliwości audio Grok

xAI oferuje dwie usługi audio poprzez swoje API: Agent głosowy (API mowa-mowa), dostępny od grudnia 2025 r., służący do rozmów głosowych w czasie rzeczywistym, oraz Tekst na mowę (TTS), dostępny od marca 2026 r., służący do syntezy mowy. Usługi te pozwalają budować kompletne interfejsy konwersacyjne oparte na głosie, od automatycznych systemów telefonicznych po wbudowane asystenty głosowe.

API Agenta głosowego

API Agenta głosowego pozwala tworzyć dwukierunkowe rozmowy głosowe w czasie rzeczywistym. Użytkownik mówi, model słucha, rozumie i odpowiada ustnie – wszystko z opóźnieniem na tyle niskim, by rozmowa brzmiała naturalnie.

Kluczowe funkcje

  • Model: grok-voice-3.0, do którego wskazuje alias grok-voice-latest
  • Sesje równoległe: 10 w poziomie podstawowym, następnie 20, 50, 100 i 200 w zależności od poziomu
  • Cennik: 0,08 USD za minutę, czyli 4,80 USD za godzinę, plus 0,004 USD za wprowadzony tekst
  • Czas rzeczywisty: opóźnienie zoptymalizowane pod kątem naturalnej rozmowy

Przypadki użycia

Agent głosowy został zaprojektowany z myślą o scenariuszach, w których interakcja głosowa wnosi większą wartość niż tekst:

  • Automatyczna obsługa klienta – powitanie telefoniczne, kierowanie połączeń, odpowiedzi na częste pytania
  • Wbudowane asystenty głosowe – w aplikacjach mobilnych lub urządzeniach IoT
  • Korepetycje głosowe – wsparcie edukacyjne poprzez głos
  • Dostępność – interfejs głosowy dla użytkowników, którzy nie mogą lub nie chcą pisać

Kwestie kosztowe

Przy cenie 4,80 USD za godzinę Agent głosowy jest ekonomiczny w przypadku krótkich, okazjonalnych interakcji. Koszt może jednak stać się znaczący w przypadku usług o dużym wolumenie. Call center obsługujące 1000 godzin rozmów miesięcznie oznaczałoby budżet w wysokości 4800 USD.

System poziomów dotyczy również modeli głosowych, podobnie jak modeli tekstowych: poziom zależy od Twoich łącznych wydatków i nigdy nie spada. Aby jednak zwiększyć limity dla Imagine, musisz skontaktować się z działem sprzedaży xAI.

Tekst na mowę (TTS)

Usługa TTS konwertuje tekst na mowę, wykorzystując wysokiej jakości syntetyczne głosy. Rozliczenia odbywają się na podstawie objętości przekonwertowanego tekstu.

Cennik i limity

Usługa Koszt Limit
Tekst na mowę 15 USD / 1 mln znaków 50 żądań na sekundę i 100 sesji równoległych w poziomie podstawowym

Aby oszacować koszty: konwersja wpisu na blogu liczącego 5000 znaków na audio kosztuje około 0,075 USD. Audiobook liczący 500 000 znaków kosztowałby około 7,50 USD.

Dostępne głosy

xAI oferuje 28 wbudowanych głosów (stan na 3 listopada 2026 r.), wspólnych zarówno dla TTS, jak i Agenta głosowego, o różnym zabarwieniu i zastosowaniu, a także głosy niestandardowe tworzone na podstawie krótkiego klipu. Głos wybierasz w momencie wysyłania żądania API, co pozwala dostosować go do kontekstu – głos profesjonalny do raportu, ciepły głos do samouczka.

Zastosowania TTS

  • Automatyczne podcasty – przekształcanie wpisów na blogu w treści audio
  • Narracja – dodawanie warstwy audio do aplikacji edukacyjnych
  • Dostępność – udostępnianie treści tekstowych użytkownikom niedowidzącym
  • Powiadomienia głosowe – mówione alerty i przypomnienia w aplikacjach
  • Treści wielojęzyczne – generowanie wersji audio w różnych językach

Agent głosowy kontra TTS: którą usługę wybrać?

Rozróżnienie jest proste:

  • Agent głosowy: do interaktywnych rozmów w czasie rzeczywistym. Użytkownik mówi, model odpowiada. Jest to rozwiązanie dwukierunkowe.
  • TTS: do jednokierunkowej konwersji tekstu na mowę. Brak interakcji, tylko synteza mowy.

Jeśli budujesz asystenta konwersacyjnego, będziesz potrzebować Agenta głosowego. Jeśli chcesz po prostu odczytać tekst na głos, wystarczy TTS.

Integracja z istniejącą architekturą

Usługi audio Grok integrują się z tym samym API co modele tekstowe i obrazowe. Używasz tych samych kluczy API, tego samego systemu rozliczeń i tego samego panelu na console.x.ai.

Ta unifikacja znacznie upraszcza architekturę: jeden projekt może wykorzystywać Grok 4.5 do rozumowania, grok-build-0.1 do kodu, Grok Imagine do wizualizacji, a Agenta głosowego do interakcji ustnych, wszystko w ramach jednego konta deweloperskiego.

Cennik zweryfikowany 3 listopada 2026 r. – ceny zmieniają się regularnie: przed jakimkolwiek obliczeniem budżetu sprawdź aktualny cennik na oficjalnej stronie cennika xAI.

Kluczowe wnioski

  • Agent głosowy kosztuje 0,08 USD/min (4,80 USD/godz.) za rozmowy w czasie rzeczywistym
  • TTS kosztuje 15 USD za milion znaków za syntezę mowy
  • Agent głosowy: od 10 do 200 sesji równoległych w zależności od poziomu
  • TTS: 100 żądań równoległych
  • Agent głosowy = dwukierunkowy, TTS = jednokierunkowy
  • Zwiększenie poziomu dla usług głosowych/Imagine wymaga ręcznego zgłoszenia