Agent vocal și TTS
Pe această pagină
Actualizat la 3 noiembrie 2026. Pe baza paginilor Pricing, Rate Limits, Text to Speech și a notelor de lansare xAI: agentul vocal costă 0,08 USD pe minut (nu 0,05 USD), TTS costă 15 USD per milion de caractere (nu 4,20 USD), sesiunile simultane variază în funcție de nivel (nu 100, nici 30 de minute pe sesiune), TTS este disponibil din martie 2026; nivelurile se aplică automat modelelor vocale, iar pentru Imagine trebuie să contactați departamentul de vânzări. Surse: Pricing · Rate limits · Release notes.
Capacitățile audio ale Grok
xAI oferă două servicii audio prin API-ul său: Agentul Vocal (API Speech to Speech), disponibil din decembrie 2025, pentru conversații vocale în timp real, și Text-to-Speech (TTS), disponibil din martie 2026, pentru sinteza vocală. Aceste servicii vă permit să construiți interfețe conversaționale vocale complete, de la sisteme telefonice automate la asistenți vocali încorporați.
API-ul Agentului Vocal
API-ul Agentului Vocal vă permite să creați conversații vocale bidirecționale în timp real. Utilizatorul vorbește, modelul ascultă, înțelege și răspunde oral – totul cu o latență suficient de mică pentru o conversație naturală.
Caracteristici principale
- Model:
grok-voice-3.0, la care face referire aliasulgrok-voice-latest - Sesiuni simultane: 10 la nivelul de intrare, apoi 20, 50, 100 și 200 în funcție de nivel
- Preț: 0,08 USD pe minut, adică 4,80 USD pe oră, plus 0,004 USD per input text
- Timp real: latență optimizată pentru o conversație naturală
Cazuri de utilizare
Agentul Vocal este conceput pentru scenarii în care interacțiunea vocală aduce o valoare superioară textului:
- Serviciu clienți automatizat – salut telefonic, direcționarea apelurilor, răspunsuri la întrebări frecvente
- Asistenți vocali încorporați – în aplicații mobile sau dispozitive IoT
- Tutoriat vocal – suport educațional prin voce
- Accesibilitate – interfață vocală pentru utilizatorii care nu pot sau preferă să nu tasteze
Considerații privind costurile
La 4,80 USD pe oră, Agentul Vocal este economic pentru interacțiuni scurte și ocazionale. Totuși, costul poate deveni semnificativ pentru serviciile cu volum mare. Un centru de apeluri care gestionează 1.000 de ore de conversație pe lună ar reprezenta un buget de 4.800 USD.
Sistemul de niveluri se aplică și modelelor vocale, la fel ca în cazul modelelor text: nivelul depinde de cheltuielile dumneavoastră cumulative și nu scade niciodată. Pentru a crește limitele pentru Imagine, trebuie totuși să contactați departamentul de vânzări xAI.
Text-to-Speech (TTS)
Serviciul TTS convertește textul în vorbire folosind voci sintetice de înaltă calitate. Facturarea se face în funcție de volumul de text convertit.
Prețuri și limite
| Serviciu | Cost | Limită |
|---|---|---|
| Text-to-Speech | 15 USD / 1M caractere | 50 de cereri pe secundă și 100 de sesiuni simultane la nivelul de intrare |
Pentru a estima costurile: un articol de blog de 5.000 de caractere ar costa aproximativ 0,075 USD pentru conversia în audio. O carte audio de 500.000 de caractere ar costa aproximativ 7,50 USD.
Voci disponibile
xAI oferă 28 de voci integrate (la data de 3 noiembrie 2026), comune atât pentru TTS, cât și pentru Agentul Vocal, cu diverse tonuri și utilizări, precum și voci personalizate create pe baza unui scurt clip. Selectați vocea în momentul cererii API, ceea ce vă permite să adaptați vocea la context – o voce profesională pentru un raport, o voce caldă pentru un tutorial.
Aplicații TTS
- Podcasturi automate – transformați articolele de blog în conținut audio
- Narațiune – adăugați un strat audio aplicațiilor dumneavoastră educaționale
- Accesibilitate – faceți conținutul text accesibil utilizatorilor cu deficiențe de vedere
- Notificări vocale – alerte și mementouri rostite în aplicații
- Conținut multilingv – generați versiuni audio în diferite limbi
Agent Vocal vs. TTS: Ce serviciu să alegeți?
Distincția este simplă:
- Agent Vocal: pentru conversații interactive în timp real. Utilizatorul vorbește, modelul răspunde. Este bidirecțional.
- TTS: pentru conversia unidirecțională a textului în vorbire. Fără interacțiune, doar sinteză vocală.
Dacă construiți un asistent conversațional, veți avea nevoie de Agentul Vocal. Dacă doriți doar să citiți textul cu voce tare, TTS este suficient.
Integrarea într-o arhitectură existentă
Serviciile audio Grok se integrează în același API ca și modelele de text și imagine. Folosiți aceleași chei API, același sistem de facturare și același tablou de bord pe console.x.ai.
Această unificare simplifică semnificativ arhitectura: un singur proiect poate utiliza Grok 4.5 pentru raționament, grok-build-0.1 pentru cod, Grok Imagine pentru elemente vizuale și Agentul Vocal pentru interacțiunea orală, toate cu un singur cont de dezvoltator.
Prețuri verificate la 3 noiembrie 2026 – prețurile se modifică regulat: înainte de orice calcul bugetar, verificați lista actuală de tarife pe pagina oficială de prețuri xAI.
Puncte cheie
- Agentul Vocal costă 0,08 USD/min (4,80 USD/oră) pentru conversații în timp real
- TTS costă 15 USD per milion de caractere pentru sinteza vocală
- Agent Vocal: 10 până la 200 de sesiuni simultane în funcție de nivel
- TTS: 100 de cereri concurente
- Agent Vocal = bidirecțional, TTS = unidirecțional
- Actualizarea nivelului pentru Voice/Imagine necesită o solicitare manuală