Przejdź do głównej treści
Polski— Wybierz język
Menu

Poznaj agenta głosowego Grok

Lekcja 1 z 14 Zaktualizowano 3 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Agent głosowy do rozmów w czasie rzeczywistym
  2. Jak działa połączenie
  3. Pętla audio
  4. Co agent może robić podczas mówienia
  5. Ograniczenia, które musisz uwzględnić od samego początku
  6. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. Grok Voice 3.0, wydany 14 października 2026 r., zastępuje wycofany Grok Voice 2.0 w tej samej cenie 0,08 USD za minutę, a alias grok-voice-latest wskazuje teraz wersję 3.0. W przypadku transkrypcji domyślnym modelem jest grok-voice-transcribe-2.0; wersja 1.0 osiągnęła koniec wsparcia (end of life) 2 października 2026 r. Źródła: Cennik · Limity częstotliwości.

Agent głosowy do rozmów w czasie rzeczywistym

Interfejs API Grok Voice Agent pozwala budować asystentów prowadzących z użytkownikami żywe, mówione rozmowy. To, co wyróżnia go na tle klasycznych rozwiązań, to architektura. Tradycyjne podejście łączy trzy usługi, z których każda wymaga osobnego wywołania HTTP: zamiana mowy na tekst, generowanie odpowiedzi tekstowej, a następnie zamiana tekstu na mowę. Zamiast tego Voice Agent przesyła strumieniowo wszystko przez pojedyncze, trwałe połączenie WebSocket. Użytkownik mówi, a model słucha, rozumie i odpowiada na głos, bez konieczności wykonywania potrójnej rundy wymiany danych przez sieć.

Grok Voice Agent

Różnicę słyszysz od razu. Potok przetwarzania w trzech krokach pozostawia przerwę rzędu kilkuset milisekund po każdym zdaniu. Rozmowa z Voice Agentem przypomina bardziej połączenie telefoniczne: druga strona podejmuje wątek tam, gdzie skończyłeś, możesz jej przerwać, a ona kontynuuje dialog. Ta ciągłość odróżnia automatyczne menu telefoniczne, które klienci tolerują, od asystenta, z którym chętnie się rozmawia.

$0.08
za minutę
28
wbudowanych głosów
10
sesji jednoczesnych w warstwie podstawowej
$4.80
za godzinę

Jak działa połączenie

Wszystko odbywa się przez WebSocket, który utrzymuje otwarty dwukierunkowy kanał między Twoją aplikacją a xAI. Połącz się z punktem końcowym wss://api.x.ai/v1/realtime i umieść swój klucz API w nagłówku autoryzacji, tak jak w przypadku wywołania REST:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Serwer odpowiada zdarzeniem session.created, potwierdzając otwarcie połączenia. Nie traktuj połączenia jako gotowego, dopóki to zdarzenie nie nadejdzie: jest to sygnał do wysłania konfiguracji w wiadomości session.update. Aplikacja wysyłająca konfigurację przed pojawieniem się session.created może zachowywać się niestabilnie podczas uruchamiania.

Pętla audio

Po skonfigurowaniu sesji dane przepływają w dobrze zdefiniowanej pętli. Twoja aplikacja przechwytuje dźwięk z mikrofonu, koduje go w formacie base64 i wysyła w małych fragmentach za pomocą input_audio_buffer.append. To wejście jest ciągłe: nie czekasz, aż użytkownik skończy zdanie, zanim zaczniesz wysyłać dane. W tym samym czasie serwer uruchamia wykrywanie aktywności głosowej (VAD), które samodzielnie rozpoznaje moment rozpoczęcia i zakończenia mówienia przez użytkownika. Grok następnie przetwarza wypowiedź, interpretuje ją w kontekście rozmowy i generuje odpowiedź. Dźwięk odpowiedzi jest przesyłany do Ciebie strumieniowo przez response.output_audio.delta, fragment po fragmencie, również w formacie base64.

Zaletą tego rozwiązania jest brak konieczności pisania logiki zarządzania zmianą mówcy. Nie decydujesz, kiedy użytkownik skończył, ani sam nie wyzwalasz generowania odpowiedzi. Zajmuje się tym serwer, a Twoim zadaniem jest jedynie odtwarzanie nadchodzącego dźwięku. Pętla powtarza się aż do zakończenia rozmowy.

Co agent może robić podczas mówienia

Voice Agent potrafi nie tylko prowadzić czat: może wywoływać narzędzia w trakcie rozmowy. Dysponuje wyszukiwaniem w sieci Web w celu uzyskania informacji w czasie rzeczywistym, wyszukiwaniem w serwisie X dotyczącym postów na tej platformie, niestandardowymi funkcjami do wywoływania własnych interfejsów API, wyszukiwaniem plików pozwalającym przeglądać kolekcje zwektoryzowanych dokumentów oraz połączeniami z serwerami MCP (Model Context Protocol) umożliwiającymi dostęp do standaryzowanych narzędzi zewnętrznych.

Oto jak wygląda to w praktyce. Klient dzwoni, aby sprawdzić status zamówienia. Podczas gdy agent utrzymuje rozmowę, wypowiadając jedno czy dwa zdania, odpytuje Twoją bazę danych poprzez niestandardową funkcję, a następnie odczytuje datę dostawy. Wyobraź sobie również asystenta do umawiania spotkań, który sprawdza kalendarz przez serwer MCP i natychmiast proponuje trzy dostępne terminy. W obu przypadkach użytkownik nie zauważa, że nastąpiło wywołanie API.

Ograniczenia, które musisz uwzględnić od samego początku

Dwa limity kształtują Twoją architekturę. Pierwszym jest liczba sesji jednoczesnych: 10 w warstwie podstawowej, a następnie 20, 50, 100 i 200 w zależności od poziomu Twojego zespołu. Porównaj tę liczbę ze szczytowym wolumenem połączeń przed przejściem na środowisko produkcyjne. Drugim ograniczeniem jest koszt: 0,08 USD za minutę, czyli 4,80 USD za godzinę, plus 0,004 USD za każde wprowadzone słowo. Rozliczenia odbywają się za minutę, więc zamykaj sesje, z których nikt nie korzysta. Obecna dokumentacja nie określa maksymalnego czasu trwania sesji. W przypadku długich rozmów lub po utracie połączenia, wznowienie sesji odtwarza historię, która jest przechowywana przez 30 minut od ostatniej aktywności. Dźwięk domyślnie używa formatu PCM 24 kHz, ale możesz zmienić format, aby dostosować go do swojego kanału.

Ceny sprawdzone 3 listopada 2026 r. Ceny często ulegają zmianom: przed zaplanowaniem budżetu sprawdź aktualne stawki na oficjalnej stronie cennika xAI.

Kluczowe wnioski

  • Grok Voice Agent działa przez WebSocket, umożliwiając prowadzenie rozmów głosowych w czasie rzeczywistym
  • Wykrywanie aktywności głosowej (VAD) działa po stronie serwera, co upraszcza Twój kod
  • Agent może używać narzędzi (sieć Web, X, funkcje, pliki, MCP) w trakcie rozmowy
  • Koszt wynosi 0,08 USD za minutę (4,80 USD za godzinę); liczba sesji jednoczesnych waha się od 10 do 200 w zależności od Twojego poziomu usług