Grok Voice: pogovori z govorom
Na tej strani
Posodobljeno 3. novembra 2026 na podlagi strani xAI Text to Speech, Speech to Speech, Pricing in Rate limits: 28 vgrajenih glasov, trenutne cene, sočasna seja po ravneh in primer kode, ki uporablja končno točko xAI
POST /v1/tts. Viri: Text to Speech · Pricing · Rate limits.
Pogovarjaj se z Grokom
Po besedilu in slikah pride na vrsto glas. Z asistentom lahko vodiš prave govorne pogovore, pri čemer moraš takoj razlikovati med dvema storitvama, ki ju ljudje pogosto zamenjujejo: Voice Agent, zasnovan za interaktivne pogovore v realnem času, in Text-to-Speech (TTS), ki preprosto pretvori besedilo v zvok. Prvi posluša in odgovarja; drugi bere. Izbira napačne storitve je najpogostejši razlog za razočaranje pri glasovnih projektih.

Voice Agent: pogovor v realnem času
Voice Agent je najbolj poglobljena storitev: omogoča ti neposreden pogovor z Grokom, kot bi govoril s človekom. Deluje na povezavi WebSocket, ki v realnem času prenaša dvosmerni zvok. Govoriš v mikrofon, Grok te posluša in neprekinjeno razume tvoje sporočilo, nato pa glasno odgovori; zaznavanje konca govora ali VAD samodejno obravnava tišino in prehode. Prav ta zadnja točka loči pogovor od izmenjave glasovnih sporočil: lahko oklevaš, ne da bi sistem mislil, da si končal, in ga lahko prekineš, ko krene v napačno smer.
Na voljo je osemindvajset vgrajenih glasov (stanje na dan 3. novembra 2026), vsak s svojo osebnostjo, izbrati pa bi jih moral glede na primer uporabe in ne glede na osebni okus. Pet izvirnih glasov, kot jih opisuje xAI:
| Glas | Značaj |
|---|---|
| Eve | Energičen in vedro razpoložen, britanski naglas |
| Ara | Topel in prijazen |
| Rex | samozavesten in jasen |
| Sal | Gladek in uravnotežen |
| Leo | Avtoritativen in mogočen, britanski naglas |
Drugih triindvajset, novejših glasov, je xAI na strani Text to Speech svoje dokumentacije združil glede na primer uporabe (podpora, pripovedovanje, izobraževanje, oglaševanje, dobro počutje).
Dostava presega zgolj barvo glasu. Odgovore bogatijo izrazne oznake: premori ustvarjajo naraven ritem, smeh olajša trenutek, šepetanje ustvari občutek bližine. Če jih uporabljaš zmerno, naredijo razliko med povprečnim glasom in takim, ki ga ljudje poslušajo do konca; v vsakem stavku imajo nasproten učinek.
Voice Agent lahko med pogovorom uporablja tudi orodja: spletna iskanja v realnem času, poizvedbe v bazah podatkov, klice prilagojenih API-jev. Na glas zaprosiš za najnovejše informacije in Grok ti glasno odgovori z rezultatom. Asistent za podporo lahko preveri dejansko stanje naročila namesto recitiranja splošnega postopka.
Text-to-Speech: branje besedila na glas
TTS zadovolji preprostejšo potrebo: pretvorbo zapisanega besedila v govorni zvok. Uporablja se za ustvarjanje pripovedi za videoposnetke ali podkaste, izdelavo avtomatiziranih glasovnih sporočil, omogočanje dostopnosti besedilnih vsebin ljudem z okvaro vida ter oddajanje glasovnih napovedil in obvestil. Storitev pokriva dvajset jezikov in lahko jezik tudi samodejno zazna.
Klic API-ja zahteva le nekaj vrstic kode:
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)
Rezultat je zvočna datoteka MP3, pripravljena za predvajanje ali vstavljanje v urejanje.
Kaj glas spremeni za podjetja
Prvo področje je storitev za stranke: Voice Agent, uporabljen kot glasovni asistent, obravnava običajna vprašanja in izvaja iskanja v realnem času, kar absorbira ponavljajoče se obsege, ne da bi klicatelji čakali. Ista logika velja za obstoječo telefonijo: xAI lahko sam odgovarja na tvoje številke prek protokola SIP, okvirji, kot sta LiveKit ali Pipecat, pa se vključijo brez potrebe po ponovni gradnji tvoje klicne infrastrukture.
TTS služi predvsem proizvodnji vsebin: tvoji članki, poročila in predstavitve dobijo zvočno različico z glasom, izbranim za želeni ton. V obeh primerih bi morala biti dostopnost del zasnove že od začetka in ne dodana naknadno: te zmogljivosti omogočajo uporabo umetne inteligence ljudem, ki jih besedilni vmesniki izpuščajo.
Koliko stane
Voice Agent stane 0,08 USD na minuto oziroma 4,80 USD na uro, plus 0,004 USD za vnos besedila; na osnovni ravni lahko ekipa odpre 10 sočasnih sej, na višjih ravneh pa do 200. Text-to-Speech stane 15 USD na milijon znakov, s 50 zahtevami na sekundo in 100 sočasnimi sejami na osnovni ravni. Pred vsakim javnim zagonom preveri te omejitve sočasnosti: določajo, koliko klicev lahko obravnavaš vzporedno, in kampanja, ki jih preseže, povzroči, da klicatelji čakajo na liniji, ne višjega računa.
Cene preverjene 3. novembra 2026. Cene se pogosto spreminjajo: preden kaj proračunaš, preveri trenutne stopnje na uradni strani xAI s cenami.
Ključne ugotovitve
- Voice Agent omogoča govorne pogovore z Grokom v realnem času prek povezave WebSocket
- Na voljo je 28 vgrajenih glasov z različnimi osebnostmi in primeri uporabe
- TTS pretvori besedilo v zvok (privzeto MP3) v 20 jezikih
- Voice Agent lahko med pogovorom uporablja orodja (spletno iskanje, API-ji)
- Podprti so standardni telefonski protokoli za poslovno integracijo