Grok Voice: Voice Agents och 21 nya röster
På denna sida
Uppdaterat 2 november 2026 — röst. Grok Voice 3.0 (14 oktober 2026) ersätter den avvecklade Grok Voice 2.0 till samma pris på $0.08 per minut; aliaset
grok-voice-latestpekar nu på 3.0. För transkribering ärgrok-voice-transcribe-2.0standardmodellen; version 1.0 nådde slutet av sin livscykel den 2 oktober 2026. Tillägg 3 november 2026: Tabellen nedan är uppdaterad (voice agent kostar $4.80 per timme istället för de $3 som noterades den 28 juli), och katalogen innehåller nu 28 inbyggda röster. Källor: Pricing · Text to Speech.
xAI:s röstavdelning har länge varit den tysta systern i portföljen: ett stabilt och väldokumenterat API, men i praktiken reserverat för team med utvecklingskompetens. I början av juli 2026 ändrades detta genom två på varandra följande tillkännagivanden. Dessa bör läsas tillsammans eftersom de skisserar två olika ingångar till samma produkt.
Två tillkännagivanden, två målgrupper
Det första kom den 1 juli: Voice Agent Builder. Verktyget lovar att du kan skapa en anpassad röstagent “på under 2 minuter, utan en enda kodrad”. I praktiken definierar du agentens roll, väljer röst, tillför kunskap och distribuerar lösningen – allt via ett gränssnitt utan kodning. Detta täcker exakt den målgrupp som saknats i xAI:s röstutbud: affärsansvariga som vill prototypa en hotline eller automatiserad växel utan att binda upp ett utvecklingsteam. API:t försvinner inte; det förblir vägen för djupa integrationer där röstagenten måste kommunicera med ditt CRM- eller ärendehanteringssystem.
Fem dagar senare, den 6 juli, meddelade xAI lanseringen av 21 nya flerspråkiga “flaggskeppsröster” för Grok Voice, samtidigt som naturligheten hos de ursprungliga fem rösterna förbättrades. För dig är denna flerspråkiga expansion avgörande: en röstagent på engelska är bara trovärdig om själva rösten är det. Innan du låser valet för ett projekt bör du ta dig tid att lyssna på de röster som finns tillgängliga på ditt målspråk. Kvaliteten varierar kraftigt mellan olika röster, och att byta röst efter att en kundtjänst lanserats är alltid svårare än att välja rätt från början.
Vad Voice API:t kostar
Prislistan som publicerats på docs.x.ai (noterad den 3 november 2026) ryms på fyra rader och består av okomplicerad tabelldata:
| Komponent | Pris |
|---|---|
| Voice agent (realtid, grok-voice-3.0) | $0.08 per minut, eller $4.80 per timme, plus $0.004 per textinmatning |
| Text-to-speech (TTS) | $15 per miljon tecken |
| Batch-transkribering (STT batch) | $0.10 per timme |
| Strömmande transkribering (STT streaming) | $0.20 per timme |
Den mest intressanta raden är den första, och inte bara på grund av beloppet. Voice agent debiteras per timme, inte per token. Den direkta konsekvensen är att budgeten för ett callcenter eller en hotline snabbt kan beräknas. Om din tjänst hanterar 200 timmars konversation per månad vet du att fakturan landar på $960 – oavsett hur pratsam utbytet är eller hur komplexa svaren är. Detta är en kostnadsmodell som ekonomiavdelningar förstår omedelbart, till skillnad från tokenbaserad fakturering som alltid kräver osäkra prognoser.
Skillnaden mellan de två transkriberingslägen berättar också en historia. Batch-transkribering kostar $0.10 per timme, medan strömmande transkribering kostar $0.20: realtid kostar exakt dubbelt så mycket. Detta är ett klassiskt mönster i branschen och bör leda till en enkel reflex: betala endast för strömmande lösningar där omedelbarhet verkligen gynnar användningsfallet. Undertextning vid live-möten motiverar realtid; transkribering av inspelade samtal för efterhandsanalys gör det aldrig – batch gör samma jobb till halva priset.
Vad detta innebär för dina befintliga kunskaper
Om du har gått våra kurser “Grok Voice & Audio”, “Voice Agent API” och “TTS API” är inget du lärt dig där inaktuellt. Implementeringsmekanikerna – realtids-WebSocket, röstaktivitetsdetektering (VAD) och ljudformat – förblir exakt som de beskrivits i dessa kurser. Det som tillkommer är ett lager ovanpå: ett verktyg utan kod för snabb prototypning, en betydligt utökad röstkatalog och prislistan ovan, som nu är uppdaterad och låter dig kalkylera ett projekt innan du skriver den första kodraden.
I praktiken består den bästa strategin för ett team som är nytt inom området nu av att prototypa i Voice Agent Builder – två minuter räcker för att höra hur ditt användningsfall skulle låta – och sedan, om prototypen övertygar, växla till API:t för riktig integration. Den omvända ordningen, att börja med kod, ger inte längre mening för att validera en idé.
Officiell källa: docs.x.ai/developers/models och x.ai/news
Viktiga punkter
- Voice Agent Builder: skapa en röstagent utan kod (1 juli)
- 21 nya flerspråkiga röster tillkännagivna den 6 juli; 28 röster i katalogen per den 3 november
- Voice agent: $4.80 per timme (noterat den 3 november; $3 vid inspelningen den 28 juli) – en budget beräknad i tid, inte tokens
- Transkribering: $0.10/timme för batch, $0.20/timme för strömmande – använd realtidslösningar med omtanke