Glasovni agent in pretvorba besedila v govor (TTS)
Na tej strani
Posodobljeno 3. novembra 2026. Na podlagi strani Cenik, Omejitve hitrosti, Pretvorba besedila v govor in opomb ob izdaji xAI: glasovni agent stane 0,08 $ na minuto (ne 0,05 $), TTS 15 $ na milijon znakov (ne 4,20 $), sočasna seja po ravneh (ne 100 niti 30 minut na sejo), TTS na voljo od marca 2026; ravni se samodejno uporabljajo za glasovne modele, za Imagine pa je treba kontaktirati prodajo. Viri: Cenik · Omejitve hitrosti · Opombe ob izdaji.
Zvočne zmogljivosti sistema Grok
xAI ponuja dve zvočni storitvi prek svojega API-ja: Glasovni agent (API za govor v govor), ki je na voljo od decembra 2025 za glasovne pogovore v realnem času, in pretvorbo besedila v govor (TTS), ki je na voljo od marca 2026 za sintezo govora. Ti storitvi ti omogočata gradnjo celovitih glasovnih pogovornih vmesnikov, od avtomatiziranih telefonskih sistemov do vgrajenih glasovnih pomočnikov.
API za glasovnega agenta
API za glasovnega agenta ti omogoča ustvarjanje dvosmernih glasovnih pogovorov v realnem času. Uporabnik govori, model posluša, razume in ustno odgovori – vse to z zakasnitvijo, ki je dovolj nizka za naraven pogovor.
Ključne značilnosti
- Model:
grok-voice-3.0, na katerega kaže vzdevekgrok-voice-latest - Sočasne seje: 10 na osnovni ravni, nato 20, 50, 100 in 200 glede na raven
- Cena: 0,08 $ na minuto oziroma 4,80 $ na uro, plus 0,004 $ za besedilni vnos
- Realni čas: zakasnitev optimizirana za naraven pogovor
Primeri uporabe
Glasovni agent je zasnovan za scenarije, kjer glasovna interakcija prinaša večjo vrednost kot besedilo:
- Avtomatizirana storitev za stranke – telefonski pozdrav, usmerjanje klicev, odgovori na pogosta vprašanja
- Vgrajeni glasovni pomočniki – v mobilnih aplikacijah ali napravah IoT
- Glasovno tutorstvo – izobraževalna podpora prek govora
- Dostopnost – glasovni vmesnik za uporabnike, ki ne morejo ali ne želijo tipkati
Premisleki o stroških
Pri 4,80 $ na uro je glasovni agent gospodaren za kratke, občasne interakcije. Vendar pa lahko stroški postanejo znatni pri storitvah z velikim obsegom. Klicni center, ki mesečno obdela 1.000 ur pogovorov, bi predstavljal proračun v višini 4.800 $.
Sistem ravni velja tudi za glasovne modele, tako kot za besedilne: raven je odvisna od tvojih kumulativnih stroškov in nikoli ne pade. Za zvišanje omejitev za Imagine pa moraš kontaktirati prodajo xAI.
Pretvorba besedila v govor (TTS)
Storitev TTS pretvarja besedilo v govor z uporabo visokokakovostnih sintetičnih glasov. Obračunava se glede na količino pretvorjenega besedila.
Cenik in omejitve
| Storitev | Strošek | Omejitev |
|---|---|---|
| Pretvorba besedila v govor | 15 $ / 1M znakov | 50 zahtev na sekundo in 100 sočasnih sej na osnovni ravni |
Za oceno tvojih stroškov: objava v blogu z 5.000 znaki bi stala približno 0,075 $ za pretvorbo v zvok. Zvočna knjiga z 500.000 znaki bi stala približno 7,50 $.
Razpoložljivi glasovi
xAI ponuja 28 vgrajenih glasov (stanje na dan 3. novembra 2026), skupnih tako za TTS kot za glasovnega agenta, z različnimi toni in nameni, pa tudi glasove po meri, ustvarjene iz kratkega posnetka. Glas izbereš ob zahtevi API-ja, kar ti omogoča prilagoditev glasu kontekstu – profesionalen glas za poročilo, topel glas za vadnico.
Uporabe TTS
- Avtomatizirani podkasti – preoblikuj svoje objave v blogu v zvočno vsebino
- Pripovedovanje – dodaj zvočno plast svojim izobraževalnim aplikacijam
- Dostopnost – omogoči dostop do besedilne vsebine slabovidnim uporabnikom
- Glasovna obvestila – govorna opozorila in opomniki v aplikacijah
- Večjezična vsebina – ustvari zvočne različice v različnih jezikih
Glasovni agent proti TTS: katero storitev izbrati?
Razlika je preprosta:
- Glasovni agent: za interaktivne pogovore v realnem času. Uporabnik govori, model odgovarja. Je dvosmeren.
- TTS: za enosmerno pretvorbo besedila v govor. Brez interakcije, zgolj sinteza govora.
Če gradiš pogovornega pomočnika, boš potreboval glasovnega agenta. Če želiš le brati besedilo na glas, je TTS dovolj.
Integracija v obstoječo arhitekturo
Zvočne storitve Grok se integrirajo v isti API kot besedilni in slikovni modeli. Uporabljaš iste ključe API, isti sistem obračunavanja in isto nadzorno ploščo na console.x.ai.
Ta poenotenje bistveno poenostavi arhitekturo: en sam projekt lahko uporablja Grok 4.5 za sklepanje, grok-build-0.1 za kodo, Grok Imagine za vizualije in glasovnega agenta za ustno interakcijo, vse z enim razvijalskim računom.
Cenik preverjen 3. novembra 2026 – cene se redno spreminjajo: pred vsakim izračunom proračuna preveri trenutni cenik na uradni strani s cenami xAI.
Ključne ugotovitve
- Glasovni agent stane 0,08 $/min (4,80 $/uro) za pogovore v realnem času
- TTS stane 15 $ na milijon znakov za sintezo govora
- Glasovni agent: 10 do 200 sočasnih sej glede na raven
- TTS: 100 sočasnih zahtev
- Glasovni agent = dvosmeren, TTS = enosmeren
- Nadgradnje ravni za glas/Imagine zahtevajo ročno zahtevo