Agente de Voz e TTS
Nesta página
Atualizado a 3 de novembro de 2026. Com base nas páginas Pricing, Rate Limits, Text to Speech e nas notas de lançamento da xAI: agente de voz a 0,08 USD por minuto (não 0,05 USD), TTS a 15 USD por milhão de carateres (não 4,20 USD), sessões simultâneas por nível (não 100, nem 30 minutos por sessão), TTS disponível desde março de 2026; os níveis aplicam-se automaticamente aos modelos de voz, o Imagine requer contacto com a equipa de vendas. Fontes: Pricing · Rate limits · Release notes.
Capacidades de Áudio do Grok
A xAI oferece dois serviços de áudio através da sua API: o Agente de Voz (API Speech to Speech), disponível desde dezembro de 2025, para conversas de voz em tempo real, e o Texto-para-Fala (TTS), disponível desde março de 2026, para síntese de voz. Estes serviços permitem-lhe construir interfaces de conversação por voz completas, desde sistemas telefónicos automatizados até assistentes de voz integrados.
API do Agente de Voz
A API do Agente de Voz permite-lhe criar conversas de voz bidirecionais em tempo real. O utilizador fala, o modelo ouve, compreende e responde oralmente — tudo com uma latência suficientemente baixa para uma conversação natural.
Principais Funcionalidades
- Modelo:
grok-voice-3.0, para o qual o aliasgrok-voice-latestaponta - Sessões simultâneas: 10 no nível inicial, depois 20, 50, 100 e 200 consoante o nível
- Preçário: 0,08 USD por minuto, ou 4,80 USD por hora, mais 0,004 USD por entrada de texto
- Tempo real: latência otimizada para conversação natural
Casos de Utilização
O Agente de Voz foi concebido para cenários onde a interação por voz acrescenta valor face ao texto:
- Atendimento ao cliente automatizado — saudação telefónica, encaminhamento de chamadas, respostas a perguntas frequentes
- Assistentes de voz integrados — em aplicações móveis ou dispositivos IoT
- Tutoria por voz — apoio educativo via voz
- Acessibilidade — interface de voz para utilizadores que não podem ou preferem não escrever
Considerações de Custo
A 4,80 USD por hora, o Agente de Voz é económico para interações curtas e ocasionais. No entanto, o custo pode tornar-se significativo para serviços de alto volume. Um centro de contactos que gestione 1.000 horas de conversação por mês representaria um orçamento de 4.800 USD.
O sistema de níveis aplica-se também aos modelos de voz, tal como aos modelos de texto: o nível depende da sua despesa cumulativa e nunca desce. Para aumentar os limites do Imagine, contudo, deve contactar a equipa de vendas da xAI.
Texto-para-Fala (TTS)
O serviço TTS converte texto em fala com vozes sintéticas de alta qualidade. A faturação é feita com base no volume de texto convertido.
Preçário e Limites
| Serviço | Custo | Limite |
|---|---|---|
| Texto-para-Fala | 15 USD / 1M carateres | 50 pedidos por segundo e 100 sessões simultâneas no nível inicial |
Para estimar os seus custos: um artigo de blogue de 5.000 carateres custaria cerca de 0,075 USD para converter em áudio. Um audiolivro de 500.000 carateres custaria cerca de 7,50 USD.
Vozes Disponíveis
A xAI oferece 28 vozes integradas (a 3 de novembro de 2026), comuns tanto ao TTS como ao Agente de Voz, com vários tons e utilizações, bem como vozes personalizadas criadas a partir de um pequeno excerto. Seleciona a voz no momento do pedido à API, o que lhe permite adaptar a voz ao contexto — uma voz profissional para um relatório, uma voz calorosa para um tutorial.
Aplicações do TTS
- Podcasts automatizados — transforme os seus artigos de blogue em conteúdo áudio
- Narração — adicione uma camada áudio às suas aplicações educativas
- Acessibilidade — torne o conteúdo textual acessível a utilizadores com deficiência visual
- Notificações de voz — alertas e lembretes falados em aplicações
- Conteúdo multilingue — gere versões áudio em diferentes idiomas
Agente de Voz vs TTS: Qual o Serviço a Escolher?
A distinção é simples:
- Agente de Voz: para conversas interativas em tempo real. O utilizador fala, o modelo responde. É bidirecional.
- TTS: para conversão unidirecional de texto em fala. Sem interação, apenas síntese de voz.
Se estiver a construir um assistente de conversação, precisará do Agente de Voz. Se quiser apenas ler texto em voz alta, o TTS é suficiente.
Integração numa Arquitetura Existente
Os serviços de áudio do Grok integram-se na mesma API que os modelos de texto e imagem. Utiliza as mesmas chaves de API, o mesmo sistema de faturação e o mesmo painel em console.x.ai.
Esta unificação simplifica significativamente a arquitetura: um único projeto pode usar o Grok 4.5 para raciocínio, o grok-build-0.1 para código, o Grok Imagine para elementos visuais e o Agente de Voz para interação oral, tudo com uma única conta de programador.
Preçário verificado a 3 de novembro de 2026 — os preços mudam regularmente: antes de qualquer cálculo orçamental, consulte a tabela de tarifas atual na página oficial de preçário da xAI.
Pontos-chave
- O Agente de Voz custa 0,08 USD/min (4,80 USD/h) para conversas em tempo real
- O TTS custa 15 USD por milhão de carateres para síntese de voz
- Agente de Voz: 10 a 200 sessões simultâneas por nível
- TTS: 100 pedidos simultâneos
- Agente de Voz = bidirecional, TTS = unidirecional
- A atualização de nível para Voz/Imagine requer um pedido manual