Conheça o Agente de Voz Grok
Nesta página
Atualizado em 3 de novembro de 2026. O Grok Voice 3.0, lançado em 14 de outubro de 2026, substitui o Grok Voice 2.0 (agora obsoleto) pelo mesmo preço de 0,08 USD por minuto, e o alias
grok-voice-latestaponta agora para a versão 3.0. Para transcrição, o modelo predefinido é ogrok-voice-transcribe-2.0; a versão 1.0 chegou ao fim do ciclo de vida em 2 de outubro de 2026. Fontes: Preços · Limites de taxa.
Um agente de voz conversacional em tempo real
A API do Agente de Voz Grok permite-lhe criar assistentes que mantêm conversas faladas ao vivo com os seus utilizadores. O que o distingue de uma configuração clássica é a arquitetura. A abordagem tradicional encadeia três serviços, cada um atrás da sua própria chamada HTTP: reconhecimento de fala (speech-to-text), uma resposta em texto e, depois, síntese de voz (text-to-speech). O Agente de Voz transmite tudo através de uma única ligação WebSocket persistente. O utilizador fala e o modelo ouve, compreende e responde em voz alta, sem uma ida e volta tripla pela rede.

Nota a diferença imediatamente. Um pipeline de três etapas deixa uma lacuna de várias centenas de milissegundos após cada frase. Uma conversa com o Agente de Voz assemelha-se mais a uma chamada telefónica: a outra parte retoma onde você parou, pode interromper e a conversa continua. É essa continuidade que separa um menu telefónico que os clientes toleram de um assistente com quem têm prazer em falar.
Como funciona a ligação
Tudo funciona através de WebSocket, que mantém um canal bidirecional aberto entre a sua aplicação e a xAI. Ligue ao endpoint wss://api.x.ai/v1/realtime e coloque a sua chave de API no cabeçalho de autorização, tal como faria numa chamada REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
O servidor responde com um evento session.created para confirmar que a ligação está aberta. Não considere a ligação como pronta até que esse evento chegue: é o seu sinal para enviar a sua configuração numa mensagem session.update. Uma aplicação que envie a sua configuração antes da chegada do evento session.created pode ter um comportamento errático no arranque.
O ciclo de áudio
Assim que a sessão estiver configurada, os dados fluem num ciclo bem definido. A sua aplicação captura o áudio do microfone, codifica-o em base64 e envia-o em pequenos blocos com input_audio_buffer.append. Essa entrada é contínua: não espera que o utilizador termine uma frase para começar a enviar. Entretanto, o servidor executa a deteção de atividade de voz (VAD), que identifica automaticamente quando o utilizador começa e para de falar. O Grok processa então o que foi dito, interpreta-o no contexto da conversa e gera uma resposta. O áudio da resposta é transmitido de volta para si através de response.output_audio.delta, bloco a bloco, também em base64.
A vantagem deste design é que não precisa de escrever qualquer lógica de tomada de turno. Não decide quando o utilizador terminou, nem aciona a geração manualmente. O servidor trata disso e tudo o que tem de fazer é reproduzir o áudio à medida que chega. O ciclo repete-se até a conversa terminar.
O que o agente pode fazer enquanto fala
O Agente de Voz pode fazer mais do que conversar: pode invocar ferramentas no meio de uma conversa. Dispõe de pesquisa na web para informações em tempo real, pesquisa no X para publicações na plataforma, funções personalizadas para chamar as suas próprias APIs, pesquisa de ficheiros para procurar em coleções de documentos vetorizados e ligações a servidores MCP (Model Context Protocol) para aceder a ferramentas externas normalizadas.
Eis como isso se traduz na prática. Um cliente liga para verificar o estado de uma encomenda. Enquanto o agente o entretém com uma ou duas frases, consulta a sua base de dados através de uma função personalizada e lê a data de entrega. Ou imagine um assistente de agendamento que verifica um calendário através de um servidor MCP e oferece imediatamente três horários. De qualquer forma, o utilizador nunca nota que foi feita uma chamada à API.
Restrições a planear desde o primeiro dia
Dois limites moldam a sua arquitetura. O primeiro é o número de sessões simultâneas: 10 no nível inicial, depois 20, 50, 100 e 200, dependendo do nível da sua equipa. Compare esse número com o seu volume máximo de chamadas antes de passar para produção. O segundo é o custo: 0,08 USD por minuto, ou 4,80 USD por hora, mais 0,004 USD por entrada de texto. A faturação é feita ao minuto, por isso encerre as sessões que ninguém está a utilizar. A documentação atual não define uma duração máxima de sessão. Para conversas longas, ou após uma ligação interrompida, a retomada da sessão reproduz o histórico, que é mantido por 30 minutos após a última atividade. O áudio utiliza por predefinição PCM a 24 kHz, mas pode alterar o formato para adequá-lo ao seu canal.
Preços verificados em 3 de novembro de 2026. Os preços mudam frequentemente: antes de fazer qualquer orçamento, verifique as tarifas atuais na página oficial de preços da xAI.
Pontos-chave
- O Agente de Voz Grok funciona através de WebSocket para conversas de voz em tempo real
- A deteção de atividade de voz (VAD) é executada no servidor, o que simplifica o seu código
- O agente pode utilizar ferramentas (web, X, funções, ficheiros, MCP) durante a conversa
- Custa 0,08 USD por minuto (4,80 USD por hora); as sessões simultâneas variam de 10 a 200, dependendo do seu nível