Grok Voice: Agenci głosowi i 21 nowych głosów
Na tej stronie
Aktualizacja z 2 listopada 2026 r. — głos. Grok Voice 3.0 (14 października 2026 r.) zastępuje wycofaną wersję Grok Voice 2.0 w tej samej cenie 0,08 USD za minutę; alias
grok-voice-latestwskazuje na wersję 3.0. Do transkrypcji domyślnym modelem jestgrok-voice-transcribe-2.0; wersja 1.0 osiągnęła koniec wsparcia 2 października 2026 r. Uzupełnienie z 3 listopada 2026 r.: Poniższa tabela została zaktualizowana (agent głosowy kosztuje 4,80 USD za godzinę zamiast 3 USD odnotowanych 28 lipca), a katalog zawiera obecnie 28 wbudowanych głosów. Źródła: Cennik · Tekst na mowę.
Dział głosowy xAI był przez długi czas cichym bratem w rodzinie produktów: oferował solidne, udokumentowane API, ale był skutecznie zarezerwowany dla zespołów potrafiących programować. Na początku lipca 2026 r. dwa kolejne ogłoszenia zmieniły ten stan rzeczy. Warto przeczytać je razem, ponieważ wyznaczają one dwie odrębne ścieżki wejścia do tego samego produktu.
Dwa ogłoszenia, dwie grupy odbiorców
Pierwsze pojawiło się 1 lipca: Voice Agent Builder. Narzędzie to obiecuje stworzenie niestandardowego agenta głosowego „w mniej niż 2 minuty, bez napisania ani jednej linijki kodu“. W praktyce definiujesz rolę agenta, wybierasz jego głos, dostarczasz wiedzę, a następnie wdrażasz go — wszystko to przez interfejs, bez pisania kodu. To dokładnie ta grupa odbiorców, której brakowało w ofercie głosowej xAI: menedżer biznesowy, który chce stworzyć prototyp infolinii lub automatycznej centrali, nie angażując zespołu deweloperskiego. API nie znika; pozostaje ścieżką dla głębokich integracji, gdzie agent głosowy musi rozmawiać z Twoim systemem CRM lub zgłoszeniowym.
Pięć dni później, 6 lipca, xAI ogłosiło 21 nowych wielojęzycznych głosów „flagowych“ dla Grok Voice, przy okazji poprawiając naturalność oryginalnej piątki. Dla Ciebie to wielojęzyczne rozszerzenie ma znaczenie: agent głosowy po angielsku jest wiarygodny tylko wtedy, gdy wiarygodny jest sam głos. Zanim zablokujesz wybór do projektu, poświęć czas na przesłuchanie głosów dostępnych w języku docelowym — jakość wyjścia znacznie różni się między głosami, a zmiana głosu po uruchomieniu obsługi klienta jest zawsze trudniejsza niż dobry wybór na samym początku.
Ile kosztuje Voice API
Tabela cenowa opublikowana na docs.x.ai (zarejestrowana 3 listopada 2026 r.) mieści się w czterech wierszach i stanowi proste dane tabelaryczne:
| Komponent | Cena |
|---|---|
| Agent głosowy (czas rzeczywisty, grok-voice-3.0) | 0,08 USD za minutę, czyli 4,80 USD za godzinę, plus 0,004 USD za wprowadzony tekst |
| Synteza mowy (TTS) | 15 USD za milion znaków |
| Transkrypcja wsadowa (STT batch) | 0,10 USD za godzinę |
| Transkrypcja strumieniowa (STT streaming) | 0,20 USD za godzinę |
Najciekawszy jest pierwszy wiersz i to nie tylko ze względu na kwotę. Agent głosowy jest rozliczany za godzinę, a nie za token. Bezpośrednia konsekwencja: budżet dla call center lub infolinii oblicza się szybko. Jeśli Twój serwis obsługuje 200 godzin rozmów miesięcznie, wiesz, że rachunek wyniesie 960 USD — niezależnie od gadatliwości rozmówcy czy złożoności odpowiedzi. To model kosztów, który zespoły finansowe rozumieją natychmiast, podczas gdy rozliczanie oparte na tokenach wymaga zawsze kruchych prognoz.
Różnica między dwoma trybami transkrypcji również wiele mówi. Transkrypcja wsadowa kosztuje 0,10 USD za godzinę, a strumieniowa 0,20 USD: czas rzeczywisty kosztuje dokładnie dwa razy więcej. To klasyczny wzorzec branżowy, który wymusza prosty odruch: płać za streamowanie tylko tam, gdzie natychmiastowość naprawdę służy przypadkowi użycia. Napisy na żywo podczas spotkań uzasadniają czas rzeczywisty; transkrypcja nagrań rozmów do późniejszej analizy — nigdy. Tryb wsadowy zrobi to samo za połowę ceny.
Co to zmienia w Twojej obecnej wiedzy
Jeśli ukończyłeś nasze kursy „Grok Voice & Audio“, „Voice Agent API“ i „TTS API“, niczego, czego się tam nauczyłeś, nie uznaje się za nieaktualne. Mechanika implementacji — WebSocket w czasie rzeczywistym, wykrywanie aktywności głosowej (VAD), formaty audio — pozostaje dokładnie taka, jak opisano w tych kursach. Dodano jedynie warstwę na górze: narzędzie no-code do szybkiego prototypowania, znacznie rozszerzony katalog głosów oraz powyższą, zaktualizowaną tabelę cenową, która pozwala oszacować koszt projektu przed napisaniem pierwszej linijki kodu.
W praktyce właściwe podejście dla zespołu nowego w temacie polega obecnie na prototypowaniu w Voice Agent Builder — dwie minuty wystarczą, by usłyszeć, jak brzmiałby Twój przypadek użycia — a następnie, jeśli prototyp przekona, przejściu do API dla właściwej integracji. Odwrotna kolejność, zaczynanie od kodu, nie ma już sensu przy walidacji pomysłu.
Źródło oficjalne: docs.x.ai/developers/models i x.ai/news
Kluczowe wnioski
- Voice Agent Builder: tworzenie agenta głosowego bez kodu (1 lipca)
- 21 nowych wielojęzycznych głosów ogłoszono 6 lipca; 28 głosów w katalogu na dzień 3 listopada
- Agent głosowy: 4,80 USD za godzinę (stan na 3 listopada; 3 USD w zapisie z 28 lipca) — budżet liczony w czasie, a nie w tokenach
- Transkrypcja: 0,10 USD/godz. wsadowo, 0,20 USD/godz. strumieniowo — rozsądnie płąć za czas rzeczywisty