Salt la conținutul principal
Română— Alege o limbă
Meniu

Descoperiți agentul vocal Grok

Lecția 1 din 14 Actualizată 3 noiembrie 2026 Intermediar
Pe această pagină
  1. Un agent vocal conversațional în timp real
  2. Cum funcționează conexiunea
  3. Bucla audio
  4. Ce poate face agentul în timp ce vorbește
  5. Constrângeri de planificat încă de la început
  6. Puncte cheie

Actualizat la 3 noiembrie 2026. Grok Voice 3.0, lansat la 14 octombrie 2026, înlocuiește versiunea depreciată Grok Voice 2.0 la același preț de 0,08 USD pe minut, iar aliasul grok-voice-latest indică acum versiunea 3.0. Pentru transcriere, modelul implicit este grok-voice-transcribe-2.0; versiunea 1.0 a ajuns la sfârșitul ciclului de viață la 2 octombrie 2026. Surse: Prețuri · Limite de rată.

Un agent vocal conversațional în timp real

API-ul Grok Voice Agent vă permite să construiți asistenți care mențin conversații vocale live cu utilizatorii dumneavoastră. Ceea ce îl diferențiază de o configurare clasică este arhitectura. Abordarea tradițională înlănțuiește trei servicii, fiecare dietro unui apel HTTP propriu: speech-to-text, un răspuns text, apoi text-to-speech. În schimb, Voice Agent transmite totul printr-o singură conexiune WebSocket persistentă. Utilizatorul vorbește, iar modelul ascultă, înțelege și răspunde cu voce tare, fără o călătorie dus-întors în trei etape prin rețea.

Grok Voice Agent

Simțiți diferența imediat. O pipeline în trei pași lasă un decalaj de câteva sute de milisecunde după fiecare propoziție. O conversație cu Voice Agent seamănă mai mult cu un apel telefonic: interlocutorul preia firul de unde l-ați lăsat, puteți interveni, iar discuția continuă. Această continuitate face diferența dintre un meniu telefonic pe care clienții îl suportă și un asistent cu care sunt încântați să discute.

$0.08
pe minut
28
voci integrate
10
sesiuni concurente la nivelul de intrare
$4.80
pe oră

Cum funcționează conexiunea

Totul rulează prin WebSocket, care menține un canal bidirecțional deschis între aplicația dumneavoastră și xAI. Conectați-vă la endpoint-ul wss://api.x.ai/v1/realtime și introduceți cheia API în antetul de autorizare, exact ca pentru un apel REST:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + XAI_API_KEY
  }
});

Serverul răspunde cu un eveniment session.created pentru a confirma că conexiunea este deschisă. Nu tratați conexiunea ca fiind gata până când nu sosește acest eveniment: este semnalul dumneavoastră de a trimite configurația într-un mesaj session.update. O aplicație care își trimite configurația înainte de apariția evenimentului session.created poate avea un comportament eratic la pornire.

Bucla audio

Odată configurată sesiunea, datele circulă într-o buclă bine definită. Aplicația dumneavoastră captează audio de la microfon, îl codifică în base64 și îl trimite în fragmente mici folosind input_audio_buffer.append. Acest flux de intrare este continuu: nu așteptați ca utilizatorul să termine o propoziție înainte de a începe trimiterea. Între timp, serverul rulează detectarea activității vocale (VAD), care identifică singură momentul în care utilizatorul începe și încetează să vorbească. Grok procesează apoi ceea ce s-a spus, interpretează informația în contextul conversației și generează un răspuns. Audio-ul răspunsului vă este transmis înapoi prin response.output_audio.delta, fragment cu fragment, de asemenea în base64.

Avantajul acestui design este că nu scrieți nicio logică de preluare a rândului. Nu decideți când utilizatorul a terminat și nu declanșați generarea dumneavoastră înșivă. Serverul se ocupă de acest lucru, iar dumneavoastră nu faceți decât să redați audio-ul pe măsură ce sosește. Bucla se repetă până la încheierea conversației.

Ce poate face agentul în timp ce vorbește

Voice Agent poate face mai mult decât să converseze: poate apela instrumente în mijlocul unei discuții. Dispune de căutare web pentru informații în timp real, căutare X pentru postări pe platformă, funcții personalizate pentru a apela propriile API-uri, căutare de fișiere pentru a parcurge colecții de documente vectorizate și conexiuni la servere MCP (Model Context Protocol) pentru a accesa instrumente externe standardizate.

Iată cum arată acest lucru în practică. Un client sună pentru a verifica starea unei comenzi. În timp ce agentul îl menține în conversație cu una sau două propoziții, interoghează baza de date printr-o funcție personalizată, apoi citește data de livrare. Sau imaginați-vă un asistent de programare care verifică un calendar printr-un server MCP și oferă imediat trei intervale orare. În ambele cazuri, utilizatorul nu observă deloc că a fost apelat un API.

Constrângeri de planificat încă de la început

Două limite vă modelează arhitectura. Prima este numărul de sesiuni concurente: 10 la nivelul de intrare, apoi 20, 50, 100 și 200, în funcție de nivelul echipei dumneavoastră. Comparați acest număr cu volumul maxim de apeluri înainte de a trece în producție. A doua este costul: 0,08 USD pe minut, adică 4,80 USD pe oră, plus 0,004 USD per input text. Facturarea se face pe minut, așa că închideți sesiunile pe care nimeni nu le folosește. Documentația actuală nu stabilește o durată maximă a sesiunii. Pentru conversațiile lungi sau după o deconectare, reluarea sesiunii reia istoricul, care este păstrat timp de 30 de minute de la ultima activitate. Audio-ul este implicit PCM la 24 kHz, dar puteți schimba formatul pentru a se potrivi canalului dumneavoastră.

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

  • Grok Voice Agent rulează prin WebSocket pentru conversații vocale în timp real
  • Detectarea activității vocale (VAD) rulează pe server, ceea ce simplifică codul dumneavoastră
  • Agentul poate utiliza instrumente (web, X, funcții, fișiere, MCP) în timpul conversației
  • Costă 0,08 USD pe minut (4,80 USD pe oră); sesiunile concurente variază de la 10 la 200 în funcție de nivelul dumneavoastră