Salt la conținutul principal
Română— Alege o limbă
Meniu

Grok Voice: conversații vocale

Lecția 13 din 16 Actualizată 3 noiembrie 2026 Începător
Pe această pagină
  1. Discutați cu Grok
  2. Voice Agent: conversație în timp real
  3. Text-to-Speech: citirea textului cu voce tare
  4. Ce schimbă vocea pentru afaceri
  5. Costuri
  6. Puncte cheie

Actualizat la 3 noiembrie 2026, pe baza paginilor xAI Text to Speech, Speech to Speech, Pricing și Rate limits: 28 de voci integrate, prețurile actuale, sesiunile concurente pe niveluri și un exemplu de cod care utilizează endpoint-ul xAI POST /v1/tts. Surse: Text to Speech · Pricing · Rate limits.

Discutați cu Grok

După text și imagini, urmează vocea. Puteți purta conversații vocale reale cu asistentul, însă trebuie să distingeți imediat două servicii pe care utilizatorii le confundă adesea: Voice Agent, conceput pentru conversații interactive în timp real, și Text-to-Speech (TTS), care transformă simplu textul în audio. Primul ascultă și răspunde; al doilea citește. Alegerea serviciului nepotrivit este cel mai frecvent motiv pentru care proiectele vocale dezamăgesc.

Grok Voice Agent

Voice Agent: conversație în timp real

Voice Agent este cel mai imersiv serviciu: vă permite să vorbiți direct cu Grok, exact ca cu o persoană. Acesta rulează pe o conexiune WebSocket care transmite audio bidirecțional în timp real. Vorbiți în microfon, Grok vă ascultă și înțelege mesajul continuu, apoi răspunde cu voce tare; detectarea virajului de vorbire (VAD) gestionează automat tăcerile și tranzițiile. Acest ultim aspect este ceea ce separă o conversație reală de un simplu schimb de mesaje vocale: puteți ezita fără ca sistemul să creadă că ați terminat și îl puteți întrerupe când o ia într-o direcție greșită.

Sunt disponibile douăzeci și opt de voci integrate (la data de 3 noiembrie 2026), fiecare cu propria personalitate, iar alegerea trebuie să se bazeze pe cazul de utilizare, nu pe preferințele personale. Cele cinci voci originale, așa cum le descrie xAI:

VoceCaracter
EveEnergică și optimistă, accent britanic
AraCaldă și prietenoasă
RexÎncrezătoare și clară
SalFluidă și echilibrată
LeoAutoritară și puternică, accent britanic

Celelalte douăzeci și trei, mai recente, sunt grupate de xAI în funcție de cazul de utilizare (suport, narare, educație, publicitate, bunăstare) pe pagina Text to Speech din documentația sa.

Livrarea depășește simplul timbru al vocii. Etichetele expresive îmbogățesc răspunsurile: pauzele stabilesc un ritm natural, râsul ușurează un moment, șoapta creează un sentiment de apropiere. Folosite cu măsură, ele fac diferența dintre o voce acceptabilă și una pe care oamenii o ascultă până la capăt; în fiecare propoziție, au efectul opus.

Voice Agent poate apela, de asemenea, instrumente în timpul conversației: căutări web în timp real, interogări de baze de date, apeluri către API-uri personalizate. Cereți cu voce tare informații actualizate, iar Grok răspunde vocal cu rezultatul. Un asistent de suport poate verifica starea reală a unei comenzi în loc să recite o procedură generică.

Text-to-Speech: citirea textului cu voce tare

TTS răspunde unei nevoi mai simple: transformarea textului scris în audio vorbit. Este utilizat pentru a genera narare pentru videoclipuri sau podcast-uri, pentru a produce mesaje vocale automate, pentru a face conținutul text accesibil persoanelor cu deficiențe de vedere și pentru a difuza anunțuri și notificări vocale. Serviciul acoperă douăzeci de limbi și poate, de asemenea, să detecteze automat limba.

Apelul API necesită doar câteva linii de cod:

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)

Rezultatul este un fișier audio MP3, gata de redare sau de integrare într-o editare.

Ce schimbă vocea pentru afaceri

Primul domeniu este serviciul pentru clienți: implementat ca asistent vocal, Voice Agent gestionează întrebările frecvente și efectuează căutări în timp real, absorbând volumul repetitiv fără a-i pune pe apelanți în așteptare. Aceeași logică se extinde la telefonia existentă: xAI poate răspunde singur la numerele dumneavoastră prin SIP, iar framework-uri precum LiveKit sau Pipecat se pot integra fără a fi nevoie să reconstruiți infrastructura de apeluri.

TTS servește în principal producției de conținut: articolele, rapoartele și prezentările dumneavoastră primesc o versiune audio, cu o voce aleasă pentru tonul dorit. În ambele cazuri, accesibilitatea merită să facă parte din design încă de la început, nu să fie adăugată ulterior: aceste capacități fac AI-ul utilizabil pentru persoanele pe care interfețele text le exclud.

Costuri

Voice Agent costă 0,08 USD pe minut, adică 4,80 USD pe oră, plus 0,004 USD per input de text; la nivelul de intrare, o echipă poate deschide 10 sesiuni concurente, și până la 200 la nivelurile superioare. Text-to-Speech costă 15 USD per milion de caractere, cu 50 de cereri pe secundă și 100 de sesiuni concurente la nivelul de intrare. Verificați aceste limite de concurență înainte de orice lansare publică: ele determină câte apeluri puteți gestiona în paralel, iar o campanie care le depășește rezultă în apeluri puse în așteptare, nu într-o factură mai mare.

Prețuri verificate la 3 noiembrie 2026. Prețurile se schimbă des: înainte de a bugeta orice, verificați tarifele actuale pe pagina oficială de prețuri xAI.

Puncte cheie

  • Voice Agent permite conversații vocale în timp real cu Grok prin WebSocket
  • Sunt disponibile 28 de voci integrate, cu personalități și cazuri de utilizare diferite
  • TTS convertește textul în audio (MP3 implicit) în 20 de limbi
  • Voice Agent poate utiliza instrumente (căutare web, API-uri) în timpul conversației
  • Protocoalele standard de telefonie sunt suportate pentru integrarea în afaceri