Hlasový agent a TTS
Na tejto strane
Aktualizované 3. novembra 2026. Na základe stránok Cenník, Limity sadzieb, Text na reč a poznámok k vydaniu xAI: hlasový agent stojí 0,08 $ za minútu (nie 0,05 $), TTS stojí 15 $ za milión znakov (nie 4,20 $), simultánne relácie podľa úrovne (nie 100, ani 30 minút na reláciu), TTS je dostupné od marca 2026; úrovne sa automaticky vzťahujú na hlasové modely, pre Imagine je potrebné kontaktovať predaj. Zdroje: Cenník · Limity sadzieb · Poznámky k vydaniu.
Zvukové schopnosti Groku
xAI ponúka prostredníctvom svojho API dve zvukové služby: Hlasový agent (API Reč na reč), dostupný od decembra 2025, pre hlasové konverzácie v reálnom čase, a Prevod textu na reč (TTS), dostupný od marca 2026, pre syntézu hlasu. Tieto služby ti umožňujú budovať kompletné hlasové konverzačné rozhrania, od automatizovaných telefónnych systémov až po vstavané hlasových asistentov.
API Hlasového agenta
API Hlasového agenta ti umožňuje vytvárať obojsmerné hlasové konverzácie v reálnom čase. Používateľ hovorí, model počúva, rozumie a odpovedá ústne – to všetko s oneskorením dostatočne nízkym na prirodzenú konverzáciu.
Kľúčové vlastnosti
- Model:
grok-voice-3.0, na ktorý odkazuje aliasgrok-voice-latest - Simultánne relácie: 10 na vstupnej úrovni, následne 20, 50, 100 a 200 podľa úrovne
- Cena: 0,08 $ za minútu, alebo 4,80 $ za hodinu, plus 0,004 $ za textový vstup
- Reálny čas: oneskorenie optimalizované pre prirodzenú konverzáciu
Prípady použitia
Hlasový agent je navrhnutý pre scenáre, kde hlasová interakcia prináša väčšiu hodnotu ako text:
- Automatizovaný zákaznícky servis – telefónne uvítanie, smerovanie hovorov, odpovede na časté otázky
- Vstavaní hlasoví asistenti – v mobilných aplikáciách alebo IoT zariadeniach
- Hlasové doučovanie – vzdelávacia podpora prostredníctvom hlasu
- Prístupnosť – hlasové rozhranie pre používateľov, ktorí nemôžu alebo nechcú písať
Úvahy o nákladoch
Pri cene 4,80 $ za hodinu je Hlasový agent ekonomický pre krátke, príležitostné interakcie. Pri službách s vysokým objemom však môžu náklady výrazne narásť. Call centrum vybavujúce mesačne 1 000 hodín konverzácií by predstavovalo rozpočet 4 800 $.
Systém úrovní sa vzťahuje aj na hlasové modely, rovnako ako na textové modely: úroveň závisí od tvojej kumulatívnej útraty a nikdy neklesá. Na zvýšenie limitov pre Imagine však musíš kontaktovať predaj xAI.
Prevod textu na reč (TTS)
Služba TTS prevádza text na reč pomocou syntetických hlasov vysokej kvality. Fakturácia prebieha podľa objemu prevedeného textu.
Ceny a limity
| Služba | Náklady | Limit |
|---|---|---|
| Text na reč | 15 $ / 1M znakov | 50 požiadaviek za sekundu a 100 simultánnych relácií na vstupnej úrovni |
Na odhad nákladov: prevod blogového príspevku s 5 000 znakmi do audio podoby by stál približne 0,075 $. Audiokniha s 500 000 znakmi by stála približne 7,50 $.
Dostupné hlasy
xAI ponúka 28 vstavaných hlasov (k 3. novembru 2026), spoločných pre TTS aj Hlasového agenta, s rôznymi tónmi a využitím, ako aj vlastné hlasy vytvorené z krátkeho klipu. Hlas vyberáš v čase požiadavky API, čo ti umožňuje prispôsobiť hlas kontextu – profesionálny hlas pre správu, teplý hlas pre tutoriál.
Aplikácie TTS
- Automatizované podcasty – transformuj svoje blogové príspevky na audio obsah
- Rozprávanie – pridaj audio vrstvu do svojich vzdelávacích aplikácií
- Prístupnosť – sprístupni textový obsah nevidiacim používateľom
- Hlasové upozornenia – hovorené alerty a pripomienky v aplikáciách
- Viacjazyčný obsah – generuj audio verzie v rôznych jazykoch
Hlasový agent vs. TTS: Ktorú službu si vybrať?
Rozdiel je jednoduchý:
- Hlasový agent: pre interaktívne konverzácie v reálnom čase. Používateľ hovorí, model odpovedá. Je obojsmerný.
- TTS: pre jednosmerný prevod textu na reč. Žiadna interakcia, len syntéza hlasu.
Ak buduješ konverzačného asistenta, budeš potrebovať Hlasového agenta. Ak chceš len čítať text nahlas, stačí TTS.
Integrácia do existujúcej architektúry
Zvukové služby Groku sa integrujú do rovnakého API ako textové a obrazové modely. Používaš rovnaké API kľúče, rovnaký fakturačný systém a rovnaký dashboard na console.x.ai.
Táto unifikácia výrazne zjednodušuje architektúru: jeden projekt môže využívať Grok 4.5 na logické usudzovanie, grok-build-0.1 na kód, Grok Imagine na vizuály a Hlasového agenta na ústnu interakciu, to všetko s jediným vývojárskym účtom.
Ceny overené 3. novembra 2026 – ceny sa pravidelne menia: pred akýmkoľvek výpočtom rozpočtu si over aktuálny cenník na oficiálnej stránke cien xAI.
Kľúčové poznatky
- Hlasový agent stojí 0,08 $/min (4,80 $/hod) za konverzácie v reálnom čase
- TTS stojí 15 $ za milión znakov za syntézu hlasu
- Hlasový agent: 10 až 200 simultánnych relácií podľa úrovne
- TTS: 100 súbežných požiadaviek
- Hlasový agent = obojsmerný, TTS = jednosmerný
- Zvýšenie úrovne pre Hlas/Imagine vyžaduje manuálnu žiadosť