Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Grok Voice: conversas faladas

Aula 13 de 16 Atualizada a 3 de novembro de 2026 Iniciante
Nesta página
  1. Fale com o Grok
  2. Voice Agent: conversa em tempo real
  3. Text-to-Speech: ler texto em voz alta
  4. O que a voz muda para as empresas
  5. Custos
  6. Pontos-chave

Atualizado a 3 de novembro de 2026, com base nas páginas Text to Speech, Speech to Speech, Pricing e Rate limits da xAI: 28 vozes integradas, preços atuais, sessões simultâneas por nível e um exemplo de código que utiliza o endpoint POST /v1/tts da xAI. Fontes: Text to Speech · Pricing · Rate limits.

Fale com o Grok

Depois do texto e das imagens, chega a voz. Pode manter conversas verdadeiramente faladas com o assistente e, desde logo, precisa de distinguir dois serviços que as pessoas confundem frequentemente: o Voice Agent, concebido para conversas interativas em tempo real, e o Text-to-Speech (TTS), que simplesmente transforma texto em áudio. O primeiro ouve e responde; o segundo lê. Escolher o errado é a razão mais comum para o fracasso de projetos de voz.

Grok Voice Agent

Voice Agent: conversa em tempo real

O Voice Agent é o serviço mais imersivo: permite-lhe falar diretamente com o Grok como faria com uma pessoa. Funciona numa ligação WebSocket que transporta áudio bidirecional em tempo real. Fala para o seu microfone, o Grok ouve e compreende a sua mensagem continuamente, respondendo depois em voz alta; a deteção de turno, ou VAD, gere os silêncios e as transições automaticamente. Este último ponto é o que separa uma conversa de uma troca de mensagens de voz: pode hesitar sem que o sistema pense que terminou e pode interrompê-lo quando ele tomar a direção errada.

Estão disponíveis vinte e oito vozes integradas (a partir de 3 de novembro de 2026), cada uma com a sua própria personalidade, e deve escolher com base no caso de uso e não no gosto pessoal. As cinco vozes originais, tal como a xAI as descreve:

VozCaráter
EveEnergética e otimista, sotaque britânico
AraCalorosa e amigável
RexConfiante e clara
SalSuave e equilibrada
LeoAutoritária e poderosa, sotaque britânico

As outras vinte e três, mais recentes, são agrupadas pela xAI por caso de uso (suporte, narração, educação, publicidade, bem-estar) na página Text to Speech da sua documentação.

A entrega vai além do timbre da voz. Etiquetas expressivas enriquecem as respostas: pausas definem um ritmo natural, risadas aligeiram um momento, sussurros criam uma sensação de proximidade. Usadas com moderação, fazem a diferença entre uma voz passável e uma que as pessoas ouvem até ao fim; em todas as frases, têm o efeito oposto.

O Voice Agent também pode invocar ferramentas durante a conversa: pesquisas na Web em tempo real, consultas a bases de dados, chamadas a APIs personalizadas. Pede informações atualizadas em voz alta e o Grok responde em voz alta com o resultado. Um assistente de suporte pode verificar o estado real de uma encomenda em vez de recitar um procedimento genérico.

Text-to-Speech: ler texto em voz alta

O TTS responde a uma necessidade mais simples: transformar texto escrito em áudio falado. É utilizado para gerar narração para vídeos ou podcasts, produzir mensagens de voz automatizadas, tornar o conteúdo textual acessível a pessoas com baixa visão e difundir anúncios e notificações de voz. O serviço abrange vinte idiomas e também pode detetar o idioma automaticamente.

A chamada à API requer apenas algumas linhas:

import os
import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    json={
        "text": "Welcome to this course on Grok.",
        "voice_id": "eve",
        "language": "en",
    },
)
with open("welcome.mp3", "wb") as f:
    f.write(response.content)

O resultado é um ficheiro de áudio MP3, pronto para reproduzir ou para integrar numa edição.

O que a voz muda para as empresas

A primeira área é o atendimento ao cliente: implementado como assistente de voz, o Voice Agent trata de perguntas comuns e executa pesquisas em tempo real, absorvendo volumes repetitivos sem fazer os chamadores esperar. A mesma lógica estende-se à telefonia existente: a xAI pode atender os seus números diretamente via SIP, e estruturas como o LiveKit ou o Pipecat integram-se sem necessidade de reconstruir a sua infraestrutura de chamadas.

O TTS serve principalmente a produção de conteúdos: os seus artigos, relatórios e apresentações ganham uma versão áudio, com uma voz escolhida para o tom que deseja. Em ambos os casos, a acessibilidade merece fazer parte do desenho desde o início, em vez de ser adicionada posteriormente: estas capacidades tornam a IA utilizável para pessoas que as interfaces de texto excluem.

Custos

O Voice Agent custa 0,08 USD por minuto, ou 4,80 USD por hora, mais 0,004 USD por entrada de texto; no nível de entrada, uma equipa pode abrir 10 sessões simultâneas, e até 200 em níveis superiores. O Text-to-Speech custa 15 USD por milhão de caracteres, com 50 pedidos por segundo e 100 sessões simultâneas no nível de entrada. Verifique estes limites de simultaneidade antes de qualquer lançamento público: determinam quantas chamadas pode gerir em paralelo, e uma campanha que os exceda resulta em chamadores em espera, não numa fatura mais elevada.

Preços verificados a 3 de novembro de 2026. Os preços mudam frequentemente: antes de orçamentar qualquer coisa, verifique as tarifas atuais na página oficial de preços da xAI.

Pontos-chave

  • O Voice Agent permite conversas faladas em tempo real com o Grok via WebSocket
  • Estão disponíveis 28 vozes integradas, com diferentes personalidades e casos de uso
  • O TTS converte texto em áudio (MP3 por predefinição) em 20 idiomas
  • O Voice Agent pode utilizar ferramentas (pesquisa na Web, APIs) durante a conversa
  • Os protocolos de telefonia standard são suportados para integração empresarial