Grok Voice: hovorené konverzácie
Na tejto strane
Aktualizované 3. novembra 2026 na základe stránok xAI Text to Speech, Speech to Speech, Pricing a Rate limits: 28 vstavaných hlasov, aktuálne ceny, súbežné relácie podľa úrovne a príklad kódu využívajúci koncový bod xAI
POST /v1/tts. Zdroje: Text to Speech · Pricing · Rate limits.
Rozprávaj sa s Grokom
Po texte a obrázkoch prichádza na rad hlas. S asistentom môžeš viesť skutočné hovorené konverzácie, no hneď na začiatku musíš rozlíšiť dve služby, ktoré si ľudia často mýlia: Voice Agent, navrhnutý pre interaktívne konverzácie v reálnom čase, a Text-to-Speech (TTS), ktorý jednoducho mení text na zvuk. Prvý počúva a odpovedá; druhý číta. Výber tej nesprávnej služby je najčastejším dôvodom, prečo hlasové projekty sklamú.

Voice Agent: konverzácia v reálnom čase
Voice Agent je najponorujúcejšia služba: umožňuje ti rozprávať sa priamo s Grokom tak, ako by si sa rozprával s človekom. Beží na WebSocket pripojení, ktoré prenáša obojsmerný zvuk v reálnom čase. Hovoríš do mikrofónu, Grok ťa počúva a priebežne rozumie tvojej správe, následne odpovedá nahlas. Detekcia odmlčania, alebo VAD, automaticky rieši ticho a prechody. Práve tento posledný bod oddeľuje konverzáciu od výmeny hlasových správ: môžeš váhať, bez toho aby si systém myslel, že si skončil, a môžeš mu skočiť do reči, keď sa uberá zlým smerom.
K dispozícii je dvadsaťosem vstavaných hlasov (k 3. novembru 2026), každý s vlastnou osobnosťou, a mal by si si vybrať podľa použitia, nie podľa osobného vkusu. Päť pôvodných hlasov, ako ich opisuje xAI:
| Hlas | Charakter |
|---|---|
| Eve | Energický a optimistický, britský prízvuk |
| Ara | Vrelý a priateľský |
| Rex | Sebaistý a zrozumiteľný |
| Sal | Hladký a vyvážený |
| Leo | Autoritatívny a mocný, britský prízvuk |
Ďalších dvadsaťtri, novších hlasov, xAI zoskupilo podľa použitia (podpora, rozprávanie, vzdelávanie, reklama, wellness) na stránke Text to Speech vo svojej dokumentácii.
Prednes presahuje samotnú farbu hlasu. Expresívne tagy obohacujú odpovede: pauzy nastavujú prirodzené tempo, smiech odľahčí moment, šepot vytvára pocit blízkosti. Ak sa používajú s mierou, robia rozdiel medzi priemerným hlasom a takým, ktorý ľudia počúvajú až do konca; v každej vete majú však opačný efekt.
Voice Agent môže počas konverzácie volať aj nástroje: vyhľadávanie na webe v reálnom čase, dotazy do databázy, volania vlastných API. Nahlas sa opýtaš na aktuálne informácie a Grok ti nahlas odpovie s výsledkom. Asistent podpory môže skontrolovať skutočný stav objednávky namiesto recitovania všeobecného postupu.
Text-to-Speech: čítanie textu nahlas
TTS spĺňa jednoduchšiu potrebu: premenu písaného textu na hovorený zvuk. Používa sa na generovanie rozprávanie pre videá alebo podcasty, tvorbu automatizovaných hlasových správ, sprístupnenie textového obsahu pre ľudí so slabým zrakom a vysielanie hlasových oznámení a notifikácií. Služba pokrýva dvadsať jazykov a dokáže tiež automaticky detekovať jazyk.
Volanie API zaberie len niekoľko riadkov:
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)
Výsledkom je zvukový súbor MP3, pripravený na prehratie alebo vloženie do strihu.
Čo hlas mení pre podniky
Prvou oblasťou je zákaznícky servis: nasadený ako hlasový asistent, Voice Agent vybavuje bežné otázky a vykonáva vyhľadávania v reálnom čase, čím absorbuje opakujúci sa objem hovorov bez toho, aby volajúci čakali. Tá istá logika sa rozširuje na existujúcu telefóniu: xAI môže odpovedať na vaše čísla priamo cez SIP a frameworky ako LiveKit alebo Pipecat sa zapoja bez potreby prestavby vašej call infraštruktúry.
TTS slúži hlavne na tvorbu obsahu: vaše články, správy a prezentácie získajú audio verziu s hlasom zvoleným podľa tónu, ktorý chcete dosiahnuť. V oboch prípadoch si dostupnosť zaslúži byť súčasťou dizajnu od začiatku, nie až dodatočne: tieto schopnosti robia AI použiteľnou pre ľudí, ktorých textové rozhrania vynechávajú.
Koľko to stojí
Voice Agent stojí 0,08 USD za minútu, teda 4,80 USD za hodinu, plus 0,004 USD za textový vstup; na vstupnej úrovni môže tím otvoriť 10 súbežných relácií a až 200 na vyšších úrovniach. Text-to-Speech stojí 15 USD za milión znakov, pričom na vstupnej úrovni je k dispozícii 50 požiadaviek za sekundu a 100 súbežných relácií. Pred akýmkoľvek verejným spustením si overte tieto limity súbežnosti: určujú, koľko hovorov dokážete vybaviť paralelne, a kampaň, ktorá ich prekročí, výsledkom nie je vyšší účet, ale volajúci na linke.
Ceny skontrolované 3. novembra 2026. Ceny sa často menia: pred tým, než niečo rozpočtujete, skontrolujte aktuálne sadzby na oficiálnej stránke cien xAI.
Kľúčové poznatky
- Voice Agent umožňuje hovorené konverzácie s Grokom v reálnom čase cez WebSocket
- K dispozícii je 28 vstavaných hlasov s rôznymi osobnosťami a použitiami
- TTS prevádza text na zvuk (predvolene MP3) v 20 jazykoch
- Voice Agent môže počas konverzácie používať nástroje (vyhľadávanie na webe, API)
- Pre podnikovú integráciu sú podporované štandardné telefónne protokoly