Möt Grok Voice Agent
På denna sida
Uppdaterat den 3 november 2026. Grok Voice 3.0, släppt den 14 oktober 2026, ersätter den avvecklade Grok Voice 2.0 till samma pris på $0.08 per minut, och aliaset
grok-voice-latestpekar nu på version 3.0. För transkribering ärgrok-voice-transcribe-2.0standardmodellen; version 1.0 nådde slutet av sin livscykel den 2 oktober 2026. Källor: Prissättning · Hastighetsbegränsningar.
En konversationsagent för röst i realtid
Grok Voice Agent API låter dig bygga assistenter som för live-samtal med dina användare. Det som skiljer detta från en klassisk lösning är arkitekturen. Det klassiska tillvägagångssättet kedjar ihop tre tjänster, var och en bakom sin egen HTTP-anrop: tal-till-text, ett textsvar och sedan text-till-tal. Voice Agent strömmar istället allt genom en enda beständig WebSocket-anslutning. Användaren talar, och modellen lyssnar, förstår och svarar högt utan en tresidig tur-och-retur-resa över nätverket.

Du hör skillnaden direkt. En pipeline i tre steg lämnar ett gap på flera hundra millisekunder efter varje mening. Ett samtal med Voice Agent känns mer som ett telefonsamtal: motparten plockar upp tråden där du slutade, du kan avbryta, och konversationen fortsätter. Det är denna kontinuitet som skiljer en telefonmeny som kunder får utstå från en assistent de gärna pratar med.
Hur anslutningen fungerar
Allt körs över WebSocket, vilket håller en tvåvägskanal öppen mellan din app och xAI. Anslut till endpointen wss://api.x.ai/v1/realtime och lägg din API-nyckel i auktoriseringsheadern, precis som du skulle göra för ett REST-anrop:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
Servern svarar med en session.created-händelse för att bekräfta att anslutningen är öppen. Behandla inte anslutningen som redo förrän den händelsen har anlänt: det är din signal att skicka din konfiguration i ett session.update-meddelande. En app som skickar sin konfiguration innan session.created dyker upp kan bete sig oberäkneligt vid start.
Ljudloopen
När sessionen är konfigurerad flödar data i en väldefinierad loop. Din app fångar ljud från mikrofonen, kodar det i base64 och skickar det i små bitar med input_audio_buffer.append. Denna inmatning är kontinuerlig: du väntar inte på att användaren ska avsluta en mening innan du börjar skicka. Samtidigt kör servern röstaktivitetsdetektering (VAD), vilket självständigt upptäcker när användaren börjar och slutar tala. Grok bearbetar sedan det som sagts, tolkar det i samtalets kontext och genererar ett svar. Svarsljudet strömmas tillbaka till dig via response.output_audio.delta, bit för bit, också i base64.
Fördelen med denna design är att du inte behöver skriva någon logik för turtagning alls. Du bestämmer inte när användaren är klar, och du utlöser inte genereringen själv. Servern hanterar detta, och allt du behöver göra är att spela upp ljudet när det anländer. Loopen upprepas tills samtalet avslutas.
Vad agenten kan göra medan den talar
Voice Agent kan göra mer än att chatta: den kan anropa verktyg mitt i en konversation. Den har webbsökning för information i realtid, X-sökning för inlägg på plattformen, anpassade funktioner för att anropa dina egna API:er, filsökning för att bläddra i samlingar av vektoriserade dokument, samt anslutningar till MCP-servrar (Model Context Protocol) för att nå standardiserade externa verktyg.
Så här ser det ut i praktiken. En kund ringer för att kontrollera status på en order. Medan agenten håller kunden sällskap med en eller två meningar, frågar den din databas genom en anpassad funktion och läser sedan upp leveransdatumet. Eller tänk dig en bokningsassistent som kontrollerar en kalender via en MCP-server och omedelbart erbjuder tre tidsluckor. I båda fallen märker användaren aldrig att ett API-anrop har gjorts.
Begränsningar att planera för från dag ett
Två gränser formar din arkitektur. Den första är antalet samtidiga sessioner: 10 på startnivån, sedan 20, 50, 100 och 200 beroende på ditt teams nivå. Jämför det talet med din maximala samtalsvolym innan du går till produktion. Den andra är kostnaden: $0.08 per minut, eller $4.80 per timme, plus $0.004 per textinmatning. Fakturering sker per minut, så stäng sessioner som ingen använder. Den nuvarande dokumentationen anger ingen maximal sessionslängd. För långa samtal, eller efter en tappad anslutning, spelar återupptagning av sessionen upp historiken, som sparas i 30 minuter efter senaste aktivitet. Ljud är som standard 24 kHz PCM, och du kan ändra formatet för att passa din kanal.
Priser kontrollerade den 3 november 2026. Priser ändras ofta: innan du budgeterar något, kontrollera de aktuella satserna på xAI:s officiella prissida.
Viktiga punkter
- Grok Voice Agent körs över WebSocket för röstsamtal i realtid
- Röstaktivitetsdetektering (VAD) körs på servern, vilket håller din kod enkel
- Agenten kan använda verktyg (webb, X, funktioner, filer, MCP) under konversationen
- Det kostar $0.08 per minut ($4.80 per timme); antalet samtidiga sessioner varierar från 10 till 200 beroende på din nivå