Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Voice Agent och TTS

Lektion 7 av 14 Uppdaterad 3 november 2026 Nybörjare
På denna sida
  1. Groks ljudfunktioner
  2. Voice Agent API
  3. Text-to-Speech (TTS)
  4. Voice Agent kontra TTS: Vilken tjänst ska du välja?
  5. Integration i en befintlig arkitektur
  6. Viktiga punkter

Uppdaterat den 3 november 2026. Baserat på sidorna Pricing, Rate Limits, Text to Speech och xAI:s versionsanteckningar: Voice Agent kostar $0,08 per minut (inte $0,05), TTS kostar $15 per miljon tecken (inte $4,20), samtidiga sessioner varierar efter nivå (inte 100, ej heller 30 minuter per session), TTS tillgängligt sedan mars 2026; nivåer tillämpas automatiskt på röstmodeller, Imagine kräver kontakt med försäljningen. Källor: Pricing · Rate limits · Release notes.

Groks ljudfunktioner

xAI erbjuder två ljudtjänster via sitt API: Voice Agent (Speech to Speech API), tillgänglig sedan december 2025, för röstkonversationer i realtid, och Text-to-Speech (TTS), tillgänglig sedan mars 2026, för röstsyntes. Dessa tjänster låter dig bygga kompletta röstbaserade konversationsgränssnitt, från automatiserade telefonsystem till inbäddade röstassistenter.

Voice Agent API

Voice Agent API låter dig skapa tvåvägskommunikation för röstkonversationer i realtid. Användaren talar, modellen lyssnar, förstår och svarar muntligt – allt med en latens som är låg nog för naturliga samtal.

Nyckelfunktioner

  • Modell: grok-voice-3.0, vilket aliaset grok-voice-latest pekar på
  • Samtidiga sessioner: 10 på startnivån, därefter 20, 50, 100 och 200 beroende på nivå
  • Prissättning: $0,08 per minut, eller $4,80 per timme, plus $0,004 per textinmatning
  • Realtid: latens optimerad för naturliga konversationer

Användningsområden

Voice Agent är designat för scenarier där röstinteraktion tillför mer värde än text:

  • Automatiserad kundtjänst – telefonhälsning, samtalsdirigering, svar på vanliga frågor
  • Inbäddade röstassistenter – i mobilappar eller IoT-enheter
  • Rösthandledning – utbildningsstöd via röst
  • Tillgänglighet – röstgränssnitt för användare som inte kan eller föredrar att inte skriva

Kostnadsöverväganden

Med ett pris på $4,80 per timme är Voice Agent ekonomiskt för korta, enstaka interaktioner. Men kostnaden kan bli betydande för tjänster med hög volym. En callcenterverksamhet som hanterar 1 000 timmars konversation per månad skulle motsvara en budget på $4 800.

Nivåsystemet gäller även för röstmodeller, precis som för textmodeller: nivån beror på dina kumulativa utgifter och sänks aldrig. För att höja gränserna för Imagine måste du dock kontakta xAI:s försäljning.

Text-to-Speech (TTS)

TTS-tjänsten omvandlar text till tal med högkvalitativa syntetiska röster. Faktureringen sker baserat på mängden konverterad text.

Prissättning och gränser

Service Cost Limit
Text-to-Speech $15 / 1M characters 50 requests per second and 100 simultaneous sessions at entry tier

För att uppskatta dina kostnader: ett blogginlägg på 5 000 tecken skulle kosta cirka $0,075 att omvandla till ljud. En ljudbok på 500 000 tecken skulle kosta cirka $7,50.

Tillgängliga röster

xAI erbjuder 28 inbyggda röster (per den 3 november 2026), gemensamma för både TTS och Voice Agent, med olika tonlägen och användningsområden, samt anpassade röster skapade från ett kort klipp. Du väljer röst vid API-anropet, vilket låter dig anpassa rösten efter kontexten – en professionell röst för en rapport, en varm röst för en handledning.

TTS-tillämpningar

  • Automatiserade poddar – omvandla dina blogginlägg till ljudinnehåll
  • Berättarröst – lägg till ett ljudlager i dina utbildningsapplikationer
  • Tillgänglighet – gör textinnehåll tillgängligt för synskadade användare
  • Röstaviseringar – talade varningar och påminnelser i applikationer
  • Flerspråkigt innehåll – generera ljudversioner på olika språk

Voice Agent kontra TTS: Vilken tjänst ska du välja?

Skillnaden är enkel:

  • Voice Agent: för interaktiva konversationer i realtid. Användaren talar, modellen svarar. Det är tvåvägskommunikation.
  • TTS: för envägsomvandling av text till tal. Ingen interaktion, bara röstsyntes.

Om du bygger en konversationsassistent behöver du Voice Agent. Om du helt enkelt vill läsa upp text räcker TTS.

Integration i en befintlig arkitektur

Groks ljudtjänster integreras i samma API som text- och bildmodellerna. Du använder samma API-nycklar, samma faktureringssystem och samma dashboard på console.x.ai.

Denna enhetlighet förenklar arkitekturen avsevärt: ett enda projekt kan använda Grok 4.5 för resonemang, grok-build-0.1 för kod, Grok Imagine för visuellt innehåll och Voice Agent för muntlig interaktion, allt med ett enda utvecklarkonto.

Priser verifierade den 3 november 2026 – priser ändras regelbundet: innan du gör någon budgetberäkning, kontrollera den aktuella prislistan på xAI:s officiella prissida.

Viktiga punkter

  • Voice Agent kostar $0,08/min ($4,80/tim) för konversationer i realtid
  • TTS kostar $15 per miljon tecken för röstsyntes
  • Voice Agent: 10 till 200 samtidiga sessioner beroende på nivå
  • TTS: 100 samtidiga förfrågningar
  • Voice Agent = tvåvägskommunikation, TTS = envägskommunikation
  • Uppgradering av nivå för röst/Imagine kräver en manuell förfrågan