Zoznámte sa s hlasovým agentom Grok
Na tejto strane
Aktualizované 3. novembra 2026. Grok Voice 3.0, vydaný 14. októbra 2026, nahrádza zastaraný Grok Voice 2.0 za rovnakú cenu 0,08 USD za minútu a alias
grok-voice-latestteraz smeruje na verziu 3.0. Pre prepis je predvoleným modelomgrok-voice-transcribe-2.0; verzia 1.0 dosiahla koniec životnosti 2. októbra 2026. Zdroje: Cenník · Obmedzenia rýchlosti.
Hlasový agent pre konverzácie v reálnom čase
API hlasového agenta Grok ti umožňuje budovať asistentov, ktorí vedú živé hovorené konverzácie s tvojimi používateľmi. Čo ho odlišuje od klasickej konfigurácie, je architektúra. Klasický prístup spája tri služby, pričom každá stojí za vlastným HTTP volaním: prevod reči na text, textová odpoveď a následne prevod textu na reč. Hlasový agent namiesto toho streamuje všetko cez jediné trvalé WebSocket pripojenie. Používateľ hovorí a model počúva, rozumie a odpovedá nahlas bez trojcestnej odozvy cez sieť.

Rozdiel počuješ okamžite. Trojkrokové potrubie zanecháva po každej vete medzeru niekoľkých stoviek milisekúnd. Konverzácia s hlasovým agentom pôsobí skôr ako telefonický hovor: druhá strana nadväzuje tam, kde si skončil, môžeš jej skočiť do reči a ona pokračuje. Práve táto kontinuita oddeľuje telefonické menu, ktoré zákazníci trpia, od asistenta, s ktorým radi hovoria.
Ako funguje pripojenie
Všetko beží cez WebSocket, ktorý udržiava obojsmerný kanál otvorený medzi tvojou aplikáciou a xAI. Pripoj sa na koncový bod wss://api.x.ai/v1/realtime a v hlavičke autorizácie uveď svoj API kľúč, presne ako by si to urobil pri volaní REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Server odpovie udalosťou session.created, ktorá potvrdí, že pripojenie je otvorené. Nepovažuj pripojenie za pripravené, kým táto udalosť nepríde: je to tvoj signál na odoslanie konfigurácie v správe session.update. Aplikácia, ktorá odošle svoju konfiguráciu skôr, ako sa objaví session.created, sa môže pri štarte správať nestabilne.
Zvuková slučka
Akonáhle je relácia nakonfigurovaná, dáta prúdia v presne definovanej slučke. Tvoja aplikácia zachytí zvuk z mikrofónu, zakóduje ho do formátu base64 a odošle ho v malých častiach pomocou input_audio_buffer.append. Tento vstup je nepretržitý: nečakáš, kým používateľ dokončí vetu, než začneš odosielať. Medzitým server spúšťa detekciu hlasovej aktivity (VAD), ktorá sama rozpozná, kedy používateľ začne a prestane hovoriť. Grok následne spracuje povedané, interpretuje to v kontexte konverzácie a vygeneruje odpoveď. Zvuk odpovede sa ti streamuje späť cez response.output_audio.delta, časť po časti, tiež v base64.
Výhodou tohto dizajnu je, že nemusíš písať žiadnu logiku striedania ťahov. Nerozhoduješ ty, kedy používateľ skončil, ani nespúšťaš generovanie sami. Vybaví to server a ty len prehrávaš zvuk, ako prichádza. Slučka sa opakuje až do skončenia konverzácie.
Čo všetko dokáže agent počas hovoru
Hlasový agent dokáže viac než len chatovať: počas konverzácie môže volať nástroje. Má k dispozícii vyhľadávanie na webe pre informácie v reálnom čase, vyhľadávanie na platforme X pre príspevky, vlastné funkcie na volanie tvojich vlastných API, vyhľadávanie v súboroch na prehľadávanie kolekcií vektorizovaných dokumentov a pripojenia k serverom MCP (Model Context Protocol) na dosiahnutie štandardizovaných externých nástrojov.
Takto to vyzerá v praxi. Zákazník zavolá skontrolovať stav objednávky. Zatiaľ čo ho agent zabáva jednou či dvoma vetami, cez vlastnú funkciu sa opýta tvojej databázy a následne nahlas prečíta dátum doručenia. Alebo si predstav asistenta na plánovanie, ktorý cez server MCP skontroluje kalendár a okamžite ponúkne tri časové sloty. V oboch prípadoch používateľ ani nezbadá, že sa volalo API.
Obmedzenia, na ktoré musíš myslieť od prvého dňa
Tvoju architektúru tvarujú dva limity. Prvým je počet súbežných relácií: 10 v základnej úrovni, potom 20, 50, 100 a 200 v závislosti od úrovne tvojho tímu. Porovnaj toto číslo so svojou špičkovou volacou záťažou skôr, ako prejdeš do produkcie. Druhým limitom sú náklady: 0,08 USD za minútu, teda 4,80 USD za hodinu, plus 0,004 USD za textový vstup. Fakturácia prebieha po minútach, takže zatváraj relácie, ktoré nikto nepoužíva. Aktuálna dokumentácia nestanovuje maximálnu dĺžku relácie. Pri dlhých konverzáciách alebo po vypadnutí pripojenia obnovenie relácie prehrá históriu, ktorá sa uchováva 30 minút po poslednej aktivite. Zvuk je predvolene vo formáte PCM 24 kHz a formát môžeš zmeniť podľa potreby svojho kanála.
Ceny skontrolované 3. novembra 2026. Ceny sa často menia: predtým, než niečo rozpočtuješ, skontroluj aktuálne sadzby na oficiálnej stránke s cenníkom xAI.
Kľúčové poznatky
- Hlasový agent Grok beží cez WebSocket pre hlasové konverzácie v reálnom čase
- Detekcia hlasovej aktivity (VAD) beží na serveri, čo zjednodušuje tvoj kód
- Agent môže počas konverzácie využívať nástroje (web, X, funkcie, súbory, MCP)
- Stojí 0,08 USD za minútu (4,80 USD za hodinu); počet súbežných relácií sa pohybuje od 10 do 200 v závislosti od tvojej úrovne