Grok Voice

Voice 这个词指两件不同的事。
产品 Voice 是 grok.com 与 iOS / Android App 上的 "Talk to Grok hands-free with voice"（docs.x.ai/grok/overview）。
Voice API 是开发者栈，文档在 docs.x.ai/developers/model-capabilities/audio/voice：Speech to Speech、Text to Speech、Speech to Text、自定义音色。
本页两面都画。它不是 Grok Build。

目标与非目标

写给谁： 想跟 Grok 说话，或在自己的应用里接语音的人。

目标： 把产品 Voice 和 Voice API 分箱；列出官方端点；产品 UI 细节找不到就标 TODO。

非目标： 完整 realtime 事件手册、臆造 App 按钮路径，或把三方 voice-arena 排名写成产品规格。

产品 Voice（grok.com / App）

官方页实际写了的：

事实	来源
免提语音是 Grok 的一等能力	overview
"Natural voice conversations with low-latency back and forth" / "sub-second latency"	x.ai/grok
Web、iOS、Android 可用，历史同步	overview、x.ai/grok
Voice 是每周 SuperGrok 用量池的一块（与 Chat、Imagine、Build、API 共享）	FAQ
付费周上限撞上后，免费档 Chat 与 Voice 限额仍可用，按自己的周期重置	FAQ

TODO — 产品 Voice UI（docs.x.ai / x.ai / grok.com 没有操作走查页）：

grok.com / iOS / Android 上到底点哪个控件开始 Voice（麦克风、模式切换、锁屏等）。
产品 Voice 是否暴露 API 那套音色名单（eve、ara …），还是 App 内更短的列表。
产品 Voice 通话中能否调 Connectors。
插话、转写、语言选择，以及和 Companion 的重叠（FAQ 写 Companions 仅 iOS；那不是 Voice 本身）。

在这些页出现之前，不要编点击路径。打开 grok.com 或 Grok App，用你实际看到的 Voice 控件。

产品 Voice 是聊天能力。要合上笔记本还在云 VM 上干活的同事，用 Grok Bot。

Voice API

官方栈（voice overview、x.ai/api/voice）：

面	干什么	官方入口
Speech to Speech（Realtime）	全双工语音 Agent、工具、插话	`wss://api.x.ai/v1/realtime?model=grok-voice-latest`
Text to Speech	文本 → 音频	`POST https://api.x.ai/v1/tts` 与 `wss://api.x.ai/v1/tts`
Speech to Text	音频 → 文本	`POST https://api.x.ai/v1/stt` 与 `wss://api.x.ai/v1/stt`
自定义音色	短音频克隆，再传 `voice_id`	`POST https://api.x.ai/v1/custom-voices`

音频实时处理，不存储、不用于训练（voice overview）。企业条目与 Imagine 相同：SOC 2 Type II、HIPAA eligible、GDPR、数据驻留、SSO & RBAC。

官方价格在 developers/models（Speech to Speech、TTS 每百万字符、STT REST vs 流式）。x.ai/api/voice 也有营销数字——和 docs.x.ai 不一致时，信 docs.x.ai。

Text to Speech

文本转语音（text-to-speech）。默认音色 eve。Voice ID 大小写不敏感。

bash

curl -X POST https://api.x.ai/v1/tts \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello! Welcome to the xAI Text to Speech API.",
    "voice_id": "eve",
    "language": "en"
  }' \
  --output hello.mp3

值得记住的官方旋钮：

text — 必填，一元 POST /v1/tts 最多 15,000 字符。WebSocket 无总上限（单条 text.delta 仍 ≤ 15,000）。
language — 必填。BCP-47 或 auto。TTS 页表格列了 20 个代码（en、zh、pt-BR …）。
output_format — 默认 MP3 24 kHz / 128 kbps。编码：mp3、wav、pcm、mulaw、alaw。
speed — 0.7–1.5。
Speech tags — 行内 [pause] / [laugh]，包裹 <whisper>…</whisper>。
replace — 发音替换表（拼写或 IPA），合成前生效。计费仍按你发送的原文。
with_timestamps — JSON 信封：base64 音频 + 逐字符时间。
列音色：GET https://api.x.ai/v1/tts/voices。
永远不要在浏览器里用 API key 直接打 TTS。 走后端代理。

流式：wss://api.x.ai/v1/tts，每团队最多 50 个并发会话。

Playground：console.x.ai text-to-speech。

Speech to Text

转写文件或流（speech-to-text）。

bash

curl -X POST https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F format=true \
  -F language=en \
  -F file=@audio.mp3

官方限制：必须提供 file 或 url；file 必须是 multipart 最后一个字段；最大 500 MB。可选：词级时间戳、diarize、multichannel（最多 8 声道）、keyterm、filler_words、逆文本正规化（format=true + language）。流式：wss://api.x.ai/v1/stt，带 Smart Turn 话轮检测。

Voice 总览写 STT 支持 25 种语言；STT 页另有一张具体的 formatting 语言表。不要把这两句压成你自己发明的一张数字表——链回原页。

Speech to Speech（Realtime）

用 WebSocket 做语音 Agent（speech-to-speech）。

javascript

import WebSocket from "ws";

const ws = new WebSocket("wss://api.x.ai/v1/realtime?model=grok-voice-latest", {
  headers: { Authorization: `Bearer ${process.env.XAI_API_KEY}` },
});

ws.on("open", () => {
  ws.send(JSON.stringify({
    type: "session.update",
    session: {
      voice: "eve",
      instructions: "You are a helpful customer support agent.",
      turn_detection: { type: "server_vad" },
      tools: [{ type: "web_search" }],
    },
  }));
});

官方模型 slug：

Slug	含义
`grok-voice-latest`	`grok-voice-think-fast-2.0` 的别名
`grok-voice-think-fast-2.0`	旗舰语音模型
`grok-voice-think-fast-1.0`	上一代

客户端应用应使用 ephemeral tokens，不要把 API key 放到浏览器。浏览器不能设 WebSocket header；协议里传 xai-client-secret.<token>。

会话上的服务端工具：file_search、web_search、x_search、mcp。客户端：自定义 function。会话恢复需显式打开（resumption.enabled），用 conversation_id 做键，30 分钟不活动即丢。

文档里的 demo：Web Agent、WebRTC、Twilio、iOS tester。

自定义音色

用参考音频克隆（Voice 总览写 最长 120s；x.ai/api/voice 写 "two minutes"）。得到的 voice_id 可用于 TTS、流式 TTS、Speech to Speech。

什么时候用哪个

你想要	用
免提跟 Grok 说话	grok.com / Grok App 上的产品 Voice
念稿、字幕、电话提示音	TTS API
转写会议或直播	STT API
会搜索 / 调工具的语音 Agent	Speech to Speech API
云电脑上的具名同事	Grok Bot，不是 Voice

常见陷阱

在浏览器语音组件里塞 API key。用 ephemeral token 或后端代理。
把产品 Voice（订阅每周池）和 Voice API（API credit / 团队账单）混成一笔账。
工具调用后、播放还没完就发 response.create——官方 Speech-to-Speech 文档警告会叠音。
臆造 App 设置路径去选 eve / ara。在 xAI 写出产品 Voice UI 之前标 TODO。

官方文档

页面	用来干什么
docs.x.ai/grok/overview	产品 Voice 一句话
docs.x.ai/grok/faq	每周池、撞上限后的免费 Voice
docs.x.ai/developers/model-capabilities/audio/voice	API 栈
text-to-speech	TTS
speech-to-text	STT
speech-to-speech	Realtime
custom-voices	克隆音色
x.ai/api/voice	API 营销 + 在线 demo
x.ai/grok	产品营销

Grok Voice ​

目标与非目标 ​

产品 Voice（grok.com / App） ​

Voice API ​

Text to Speech ​

Speech to Text ​

Speech to Speech（Realtime） ​

自定义音色 ​

什么时候用哪个 ​

常见陷阱 ​

官方文档 ​

相关页面 ​