Spoznajte glasovnega agenta Grok
Na tej strani
Posodobljeno 3. novembra 2026. Grok Voice 3.0, izdan 14. oktobra 2026, nadomešča zastareli Grok Voice 2.0 po enaki ceni 0,08 USD na minuto, alias
grok-voice-latestpa zdaj kaže na različico 3.0. Za prepisovanje je privzeti modelgrok-voice-transcribe-2.0; različica 1.0 je dosegla konec življenjske dobe 2. oktobra 2026. Viri: Cenik · Omejitve hitrosti.
Glasovni agent za pogovor v realnem času
API glasovnega agenta Grok vam omogoča gradnjo pomočnikov, ki z vašimi uporabniki vodijo žive govorne pogovore. Kar ga ločuje od klasične nastavitve, je arhitektura. Klasični pristop veriži tri storitve, od katerih vsaka zahteva svoj klic HTTP: pretvorba govora v besedilo, besedilni odgovor in nato pretvorba besedila v govor. Glasovni agent namesto tega vse pretaka skozi eno stalno povezavo WebSocket. Uporabnik govori, model pa posluša, razume in glasno odgovori brez tristranskega kroženja po omrežju.

Razliko slišite takoj. Tristopenjski cevovod pušča vrzel več sto milisekund po vsakem stavku. Pogovor z glasovnim agentom deluje bolj kot telefonski klic: druga stran nadaljuje tam, kjer ste končali, lahko ji skočite v besedo in ona nadaljuje. Prav ta kontinuiteta ločuje telefonski meni, ki ga stranke trpijo, od pomočnika, s katerim so veselje govoriti.
Kako deluje povezava
Vse poteka prek protokola WebSocket, ki ohranja odprt dvosmerni kanal med vašo aplikacijo in xAI. Povežite se s končno točko wss://api.x.ai/v1/realtime in v glavo za avtorizacijo vstavite svoj ključ API, prav tako kot pri klicu REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Strežnik odgovori z dogodkom session.created, da potrdi odprtost povezave. Povezave ne obravnavajte kot pripravljeno, dokler ta dogodek ne prispe: to je vaš signal, da pošljete svojo konfiguracijo v sporočilu session.update. Aplikacija, ki pošlje svojo konfiguracijo, preden se pojavi session.created, se lahko ob zagonu obnaša nepredvidljivo.
Zvokovna zanka
Ko je seja konfigurirana, podatki tečejo v natančno določeni zanki. Vaša aplikacija zajame zvok z mikrofona, ga kodira v base64 in ga pošlje v majhnih kosih z ukazom input_audio_buffer.append. Ta vnos je neprekinjen: ne čakate, da uporabnik konča stavek, preden začnete pošiljati. Medtem strežnik izvaja zaznavanje glasovne aktivnosti (VAD), ki samodejno prepozna, kdaj uporabnik začne in neha govoriti. Grok nato obdela izrečeno, ga interpretira v kontekstu pogovora in ustvari odgovor. Zvok odgovora se vam pretaka nazaj prek response.output_audio.delta, kos za kosom, prav tako v formatu base64.
Prednost te zasnove je, da vam ni treba pisati nobene logike za izmenjavo govornih vloge. Ne odločate se, kdaj je uporabnik končal, in sami ne sprožite generiranja. To opravi strežnik, vi pa le predvajate zvok, ko prispe. Zanka se ponavlja, dokler se pogovor ne konča.
Kaj lahko agent počne med govorjenjem
Glasovni agent zmore več kot le klepet: med pogovorom lahko kliče orodja. Na voljo ima spletno iskanje za informacije v realnem času, iskanje po platformi X za objave, funkcije po meri za klicanje vaših API-jev, iskanje po datotekah za pregledovanje zbirk vektoriziranih dokumentov in povezave s strežniki MCP (Model Context Protocol) za dostop do standardiziranih zunanjih orodij.
Tako to izgleda v praksi. Stranka pokliče, da preveri stanje naročila. Medtem ko jo agent zabava z enim ali dvema stavkoma, poizveduje po vaši zbirki podatkov prek funkcije po meri, nato pa prebere datum dostave. Ali pa si zamislite pomočnika za načrtovanje, ki prek strežnika MCP preveri koledar in takoj ponudi tri termine. V obeh primerih uporabnik ne opazi, da je bil klican API.
Omejitve, ki jih morate načrtovati že od prvega dne
Vašo arhitekturo oblikujeta dve omejitvi. Prva je število sočasnih sej: 10 na osnovni ravni, nato 20, 50, 100 in 200, odvisno od ravni vaše ekipe. To številko primerjajte s svojo največjo količino klicev, preden preidete v proizvodno okolje. Druga je strošek: 0,08 USD na minuto oziroma 4,80 USD na uro, plus 0,004 USD za besedilni vnos. Obračunavanje poteka po minutah, zato zaprite seje, ki jih nihče ne uporablja. Trenutna dokumentacija ne določa največje dolžine seje. Pri dolgih pogovorih ali po prekinjeni povezavi nadaljevanje seje predvaja zgodovino, ki se hrani 30 minut po zadnji aktivnosti. Zvok je privzeto v formatu PCM pri 24 kHz, format pa lahko spremenite glede na svoj kanal.
Cene preverjene 3. novembra 2026. Cene se pogosto spreminjajo: preden karkoli načrtujete finančno, preverite trenutne stopnje na uradni strani s cenami xAI.
Ključne ugotovitve
- Glasovni agent Grok deluje prek protokola WebSocket za glasovne pogovore v realnem času
- Zaznavanje glasovne aktivnosti (VAD) poteka na strežniku, kar poenostavlja vašo kodo
- Agent lahko med pogovorom uporablja orodja (splet, X, funkcije, datoteke, MCP)
- Stane 0,08 USD na minuto (4,80 USD na uro); število sočasnih sej se glede na vašo raven giblje od 10 do 200