xAI ได้เปิดตัว Grok Voice พร้อมกับการเปิดตัว Grok 4.3 และประเด็นหลักสำหรับนักพัฒนาคือ: มันฟรีบน xAI Console ไม่มีค่าใช้จ่ายต่อนาที ไม่มีค่าใช้จ่ายต่อโทเค็น เข้าถึงโมเดลเอเจนต์เสียง, พื้นผิวแปลงข้อความเป็นเสียงพูด (text-to-speech), พื้นผิวแปลงเสียงพูดเป็นข้อความ (speech-to-text) และเครื่องมือโคลนเสียงแบบกำหนดเองได้อย่างเต็มที่ ทรัพยากรเดียวที่มีค่าใช้จ่ายคือการใช้งานโทเค็น Grok 4.3 พื้นฐานเมื่อเอเจนต์ประมวลผล ซึ่งมีโควตาฟรีสำหรับคอนโซลสำหรับการทดสอบอยู่แล้ว
คู่มือนี้จะครอบคลุมวิธีการทำให้ Grok Voice ทำงานได้โดยไม่มีค่าใช้จ่าย รวมถึงวิธีการโคลนเสียงของคุณเอง ลักษณะของเซสชัน WebSocket และวิธีทดสอบกระบวนการทั้งหมดด้วย Apidog ก่อนที่คุณจะนำไปรวมเข้ากับผลิตภัณฑ์จริง
หากคุณต้องการ คู่มือ API ของ Grok 4.3 ที่กว้างขึ้น หรือการเปรียบเทียบกับสแต็กของ OpenAI ใน Grok Voice vs GPT-Realtime โพสต์เสริมเหล่านั้นจะครอบคลุมส่วนที่เหลือ
TL;DR (สรุป)
- Grok Voice ฟรีสำหรับผู้ใช้บน xAI Console (
console.x.ai); ไม่มีค่าใช้จ่ายต่อนาทีหรือต่อโทเค็นสำหรับ TTS, STT, เอเจนต์เสียง หรือ Custom Voices - โมเดลเรือธง:
grok-voice-think-fast-1.0เวลาในการสร้างเสียงแรก (Time-to-first-audio) ภายใน 1 วินาที; xAI อ้างว่าเร็วกว่าคู่แข่งที่ใกล้เคียงที่สุดประมาณ 5 เท่า - เสียงที่ตั้งไว้ล่วงหน้ากว่า 80 เสียงใน 28 ภาษา; 5 บุคลิกเอเจนต์เสียงในตัว (Eve, Ara, Rex, Sal, Leo)
- การโคลนเสียงแบบกำหนดเองจากตัวอย่างเสียงประมาณ 1 นาที; เสียงพร้อมใช้งานสำหรับการผลิตใน ไม่ถึง 2 นาที
- ปลายทาง WebSocket:
wss://api.x.ai/v1/realtime?model=grok-voice-think-fast-1.0 - ปลายทาง REST สำหรับ TTS, STT และ Custom Voices ใช้ API พื้นผิวเดียวกัน
- ใช้ Apidog เพื่อเขียนสคริปต์เซสชัน WebSocket และเล่นซ้ำโดยไม่ต้องบันทึกเสียงใหม่
Grok Voice ให้อะไรฟรีบ้าง
xAI Console คือหนทางสู่การเข้าถึงฟรี ลงชื่อเข้าใช้ที่ console.x.ai สร้างคีย์ API และคุณสามารถเรียกใช้บริการสี่ส่วนโดยไม่มีค่าใช้จ่ายที่เกี่ยวข้องกับคุณสมบัติเสียงโดยตรง:
- Voice Agent (เสียงพูดเป็นเสียงพูดแบบเรียลไทม์) โมเดลการสนทนาเต็มรูปแบบ พร้อมการใช้เครื่องมือ การตรวจจับกิจกรรมเสียงฝั่งเซิร์ฟเวอร์ และการสลับบทพูดในตัว
- Text-to-Speech เสียงที่ตั้งไว้ล่วงหน้ากว่า 80 เสียงใน 28 ภาษา พร้อมเอาต์พุตเป็น MP3 หรือ μ-law สำหรับระบบโทรศัพท์
- Speech-to-Text การถอดเสียงแบบสตรีมมิ่งและแบบชุดใน 25 ภาษาอินพุต พร้อมการประทับเวลาในระดับคำและการระบุผู้พูด (speaker diarization)
- Custom Voices โคลนเสียงของคุณจากตัวอย่างสั้นๆ และใช้
voice_idที่ได้กับ API ของ TTS และเอเจนต์เสียง
มาตรวัดเดียวที่ทำงานคือการใช้งานโทเค็น Grok 4.3 เมื่อเอเจนต์ประมวลผลคำขอ คอนโซลยังให้เครดิตฟรีสำหรับการทดสอบส่วนนั้นด้วย ซึ่งเพียงพอสำหรับการตรวจสอบเวิร์กโฟลว์แบบ end-to-end ก่อนที่จะมีการเรียกเก็บเงินใดๆ
ขั้นตอนที่ 1: รับคีย์คอนโซล
ไปที่ console.x.ai และลงชื่อเข้าใช้ด้วยบัญชี X ของคุณ จากหน้า API Keys สร้างคีย์ใหม่โดยเปิดใช้งานสโคป voice และ chat ส่งออกครั้งเดียวและนำกลับมาใช้ใหม่:
export XAI_API_KEY="xai-..."
สำหรับแอปฝั่งไคลเอนต์ที่คุณไม่สามารถใส่คีย์ได้ ให้สร้าง โทเค็นชั่วคราว (ephemeral token) จากการตั้งค่าคอนโซล หรือผ่านปลายทาง /v1/realtime/sessions โทเค็นชั่วคราวมีสโคปเดียวกันแต่จะหมดอายุในไม่กี่นาที ดังนั้นคุณจึงสามารถส่งให้เบราว์เซอร์ได้โดยไม่เสี่ยงต่อการรั่วไหลของคีย์หลัก
ขั้นตอนที่ 2: เลือกเสียง
มีสองทางเลือก
เสียงที่ตั้งไว้ล่วงหน้า เอเจนต์เสียงมาพร้อมกับบุคลิกที่ตั้งชื่อไว้ห้าแบบ:
- Eve: ผู้หญิง, มีพลังงานดี เหมาะสำหรับเวิร์กโฟลว์การสนับสนุนที่สดใส
- Ara: ผู้หญิง, อบอุ่น ค่าเริ่มต้นสำหรับการช่วยเหลือทั่วไป
- Rex: ผู้ชาย, มั่นใจ เหมาะสำหรับสคริปต์การขาย
- Sal: เป็นกลาง, นุ่มนวล เหมาะสำหรับการบรรยายและการอ่านที่ยาวนาน
- Leo: ผู้ชาย, มีอำนาจ เหมาะสำหรับงานที่ต้องปฏิบัติตามกฎระเบียบและงานที่เป็นทางการ
สำหรับ API TTS ที่กว้างขึ้น ไลบรารีเสียงที่ตั้งไว้ล่วงหน้ามีขนาดใหญ่กว่ามาก; มีมากกว่า 80 เสียงครอบคลุม 28 ภาษา ซึ่งทั้งหมดสามารถเรียกใช้ได้ด้วยพารามิเตอร์ voice บนปลายทาง TTS
การโคลนเสียงแบบกำหนดเอง อัปโหลดไฟล์ WAV ที่เป็นเสียงพูดที่ชัดเจนประมาณหนึ่งนาทีจากผู้พูดคนเดียว xAI จะส่งคืน voice_id ภายในไม่ถึงสองนาที และ ID เดียวกันนี้ใช้ได้กับทั้ง TTS และเอเจนต์เสียง
curl https://api.x.ai/v1/custom-voices \
-H "Authorization: Bearer $XAI_API_KEY" \
-F "name=narrator-jane" \
-F "language=en" \
-F "audio=@sample.wav"
ความยาวคลิปอ้างอิงสูงสุดคือ 120 วินาที แต่ยิ่งยาวไม่ได้หมายความว่าจะดีกว่าเสมอไป เสียงที่สะอาดและสอดคล้องมีความสำคัญมากกว่าความยาว บันทึกในห้องที่เงียบ บันทึกครั้งเดียว ไม่มีเพลงประกอบ
ขั้นตอนที่ 3: ให้ Grok พูดผ่าน WebSocket
เอเจนต์เสียงเป็นเซสชัน WebSocket เดียว เปิดใช้งานครั้งเดียว สตรีมเสียงเข้า สตรีมเสียงออก ไคลเอนต์ Node.js แบบง่ายจะมีลักษณะดังนี้:
import WebSocket from "ws";
const ws = new WebSocket(
"wss://api.x.ai/v1/realtime?model=grok-voice-think-fast-1.0",
{ headers: { Authorization: `Bearer ${process.env.XAI_API_KEY}` } }
);
ws.on("open", () => {
ws.send(JSON.stringify({
type: "session.update",
session: {
voice: "ara",
instructions: "You are a friendly support agent. Keep replies under two sentences.",
input_audio_format: "pcm16",
output_audio_format: "pcm16",
turn_detection: { type: "server_vad" },
},
}));
});
ws.on("message", (raw) => {
const event = JSON.parse(raw.toString());
if (event.type === "response.audio.delta") {
process.stdout.write(Buffer.from(event.delta, "base64"));
}
});
เสียงผู้ใช้จะถูกส่งในเหตุการณ์ input_audio_buffer.append เป็นเฟรม PCM16 แบบ base64 เซิร์ฟเวอร์จะปล่อยเหตุการณ์ response.audio.delta เมื่อโมเดลตอบกลับ และ response.audio.done เมื่อการสนทนาสิ้นสุดลง PCM16 ที่ 24 kHz เป็นค่าเริ่มต้นที่ปลอดภัยสำหรับแอปเบราว์เซอร์และเดสก์ท็อป; เปลี่ยนเป็น μ-law เมื่อคุณเชื่อมต่อกับระบบโทรศัพท์
ขั้นตอนที่ 4: เพิ่มการใช้เครื่องมือ
เอเจนต์เสียงรองรับการเรียกใช้ฟังก์ชัน ดังนั้นโมเดลจึงสามารถเรียกใช้ API ของคุณระหว่างการสนทนาได้ ประกาศเครื่องมือในการตั้งค่าเซสชัน:
ws.send(JSON.stringify({
type: "session.update",
session: {
tools: [{
type: "function",
name: "lookup_order",
description: "Look up the status of a customer order by order number.",
parameters: {
type: "object",
properties: { order_id: { type: "string" } },
required: ["order_id"],
},
}],
},
}));
โมเดลจะส่ง response.function_call_arguments.done เมื่อต้องการเรียกใช้เครื่องมือ ให้รันฟังก์ชันในฝั่งของคุณ จากนั้นส่งผลลัพธ์กลับด้วย conversation.item.create ที่เป็นประเภท function_call_output โมเดลจะดำเนินการต่อจากที่ค้างไว้และบรรยายคำตอบ
มีเครื่องมือ web_search ในตัว ซึ่งมีประโยชน์สำหรับการอ้างอิงคำตอบจากข้อมูลล่าสุดโดยไม่ต้องเขียนเลเยอร์การดึงข้อมูลของคุณเอง
ขั้นตอนที่ 5: ใช้ TTS โดยไม่มีเอเจนต์
หากคุณต้องการเพียงแค่ Text-to-Speech (เสียงแจ้งเตือน เสียงพากย์แอป บทนำพอดแคสต์) ให้ข้าม WebSocket และเรียกใช้ปลายทาง REST:
curl https://api.x.ai/v1/tts \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "grok-tts-1",
"voice": "ara",
"input": "Welcome back to your account. Your last login was Tuesday at 3pm.",
"format": "mp3"
}' \
--output greeting.mp3
ตัวเลือกรูปแบบคือ mp3 (ความละเอียดสูง) และ mulaw (8 kHz, สำหรับระบบโทรศัพท์) ปลายทางนี้เป็นแบบ Synchronous; คุณจะได้รับไบต์กลับมา ไม่จำเป็นต้องมีเซสชันสตรีมมิ่ง
ขั้นตอนที่ 6: ทดสอบขั้นตอนทั้งหมดใน Apidog
API ของ WebSocket นั้นยากต่อการดีบักจากเทอร์มินัลเนื่องจากการสนทนามีสถานะ รูปแบบมาตรฐานที่เราใช้:
- บันทึก URL ของ WebSocket พร้อมโทเค็น Bearer ที่กรอกไว้ล่วงหน้าในสภาพแวดล้อม
- จัดเตรียมสคริปต์ข้อความ JSON:
session.update,input_audio_buffer.append(พร้อมเฟรมเสียงจำลอง),response.create - เล่นสคริปต์ซ้ำกับการเชื่อมต่อเดียวและจับภาพเหตุการณ์เซิร์ฟเวอร์ทั้งหมดลงในโครงสร้างต้นไม้
- เปรียบเทียบการรันสองครั้งแบบเคียงข้างกันเมื่อคุณเปลี่ยนเสียงหรือคำสั่ง; มีประโยชน์สำหรับการตรวจจับความเบี่ยงเบนในพฤติกรรมการสลับบทสนทนา
ดาวน์โหลด Apidog สร้างคำขอ WebSocket ใหม่ และวาง XAI_API_KEY ของคุณภายใต้ตัวแปรสภาพแวดล้อม คอลเลกชันเดียวกันนี้ใช้ได้กับ TTS และ STT (ซึ่งเป็น REST ธรรมดา) และคุณสามารถเก็บทั้งสองส่วนไว้ภายใต้โปรเจกต์เดียว สำหรับข้อมูลเพิ่มเติมเกี่ยวกับรูปแบบการทดสอบ API ที่มีสถานะ โปรดดูที่ เครื่องมือทดสอบ API สำหรับวิศวกร QA
ข้อจำกัดของระดับฟรี
คอนโซลให้คุณเข้าถึงได้เต็มที่โดยไม่มีค่าใช้จ่ายต่อนาทีหรือต่อโทเค็นสำหรับคุณสมบัติเสียงเอง ข้อจำกัดที่มีอยู่คือ:
- ข้อจำกัดอัตราการเรียกใช้ (Rate limits) คอนโซลบังคับใช้ขีดจำกัดการเรียกใช้ต่อนาทีบนแต่ละปลายทางเพื่อป้องกันการใช้งานในทางที่ผิด ซึ่งเพียงพอสำหรับการสร้างและสาธิต; ไม่ใช่โควต้าสำหรับการผลิตจริง
- โควตาเสียงที่กำหนดเอง (Custom voice quota) บัญชีเดียวสามารถเก็บโคลนเสียงที่กำหนดเองได้จำนวนจำกัด คุณสามารถลบและสร้างใหม่เพื่อเพิ่มช่องว่างได้
- โทเค็นการประมวลผล (Reasoning tokens) เมื่อเอเจนต์เสียงคิด (Grok 4.3 ทำงานอยู่เบื้องหลัง) จะถูกเรียกเก็บเงินจากเครดิตคอนโซลของคุณ เครดิตฟรีครอบคลุมการสร้างต้นแบบ; การผลิตจริงจะต้องมีแผนแบบชำระเงิน
หากคุณพบข้อผิดพลาดเกี่ยวกับขีดจำกัดอัตรา ให้รวมคำขอของคุณเป็นชุด หรือย้ายไปใช้ระดับแบบชำระเงิน; ลักษณะการทำงานของ API จะไม่เปลี่ยนแปลง มีเพียงขีดจำกัดเท่านั้น
การเปรียบเทียบเสียง
ลองใช้ประโยคเดียวกันกับเสียงที่ตั้งไว้ล่วงหน้าทั้งหมดก่อนที่จะใช้งานจริง เสียงต่างๆ มีการอ่านน้ำเสียงที่แตกต่างกัน และรายการทดสอบสั้นๆ จะช่วยให้คุณพบการจับคู่ที่ไม่ดีได้อย่างรวดเร็ว:
- คำทักทายสองประโยค
- วลียืนยัน (“เข้าใจแล้ว, เรียบร้อย”)
- ประโยคยาวที่มีตัวเลข วันที่ และเครื่องหมายจุลภาค
การทดสอบที่ไม่ขึ้นกับโมเดลที่เราใช้ภายใน: พูดข้อความเดียวกันด้วยสามความเร็ว (สงบ, ปกติ, เร่งด่วน) และฟังการเปลี่ยนแปลงของน้ำเสียง เสียงที่ตั้งไว้ล่วงหน้าของ Grok จัดการได้ดีกว่าเครื่องยนต์ TTS ส่วนใหญ่ที่เราได้ทดสอบ แต่คุณยังคงต้องตรวจสอบก่อนที่จะเปิดใช้งานจริง
คำถามที่พบบ่อย
API ฟรีจริงหรือ หรือมีข้อจำกัดที่ซ่อนอยู่? คุณสมบัติเสียง (TTS, STT, เอเจนต์เสียง, Custom Voices) ไม่มีค่าใช้จ่ายต่อนาทีหรือต่อโทเค็นบนคอนโซล โมเดลการประมวลผลที่อยู่เบื้องหลังจะถูกเรียกเก็บเงินจากเครดิตคอนโซล; โควตาคอนโซลเพียงพอสำหรับการสร้างต้นแบบ
ฉันต้องมีบัญชี X (Twitter) หรือไม่? ใช่ การลงชื่อเข้าใช้คอนโซลใช้บัญชี X
ฉันสามารถใช้ Grok Voice จากเบราว์เซอร์ได้หรือไม่? ได้ ด้วยโทเค็นชั่วคราว สร้างโทเค็นฝั่งเซิร์ฟเวอร์ผ่าน /v1/realtime/sessions ส่งโทเค็นชั่วคราวที่มีอายุสั้นไปยังเบราว์เซอร์ และเชื่อมต่อ WebSocket โดยตรง คีย์หลักจะไม่ออกจากเซิร์ฟเวอร์ของคุณเลย
ฉันสามารถคาดหวังคุณภาพเสียงแบบใด? เอาต์พุต TTS เป็น MP3 คุณภาพสูง หรือ 8 kHz μ-law เอเจนต์เสียงรัน PCM16 ที่ 24 kHz ภายใน คุณภาพเทียบเท่ากับเครื่องยนต์ TTS เชิงพาณิชย์หลักๆ; ความหน่วงเป็นปัจจัยที่แตกต่าง
ใช้งานกับระบบโทรศัพท์ได้หรือไม่? ได้ เอาต์พุต μ-law เป็นรูปแบบมาตรฐานสำหรับบริดจ์ SIP และ PSTN คุณยังคงต้องมีผู้ให้บริการ SIP; xAI ไม่ได้มีเกตเวย์ SIP ของตนเองในปัจจุบัน
คุณภาพการโคลนเทียบกับเครื่องมืออื่น ๆ เป็นอย่างไร? คุณภาพการโคลนขึ้นอยู่กับคุณภาพของเสียงอ้างอิงมากกว่าความยาว ตัวอย่าง 60 วินาทีที่ชัดเจนในห้องที่เงียบดีกว่าตัวอย่าง 120 วินาทีที่มีเสียงรบกวนในการทดสอบของเรา voice_id ที่ได้สามารถพกพาไปใช้กับปลายทาง TTS และเอเจนต์เสียงได้โดยไม่ต้องโคลนใหม่
ฉันสามารถใช้ Grok Voice สำหรับตัวละคร AI ในเกมได้หรือไม่? ได้ ปลายทาง TTS เร็วพอสำหรับการสร้างในขณะรันไทม์ และ Custom Voices หมายความว่าตัวละครแต่ละตัวสามารถมีเสียงโคลนของตัวเองได้ ระวังความหน่วงในประโยคยาวๆ; การแบ่ง TTS เป็นส่วนๆ เป็นรูปแบบที่เหมาะสม
สรุป
Grok Voice เป็นเส้นทางฟรีที่สะอาดที่สุดสำหรับเอเจนต์เสียงแบบเรียลไทม์ในปี 2026 คอนโซลไม่มีค่าใช้จ่ายต่อนาที ความหน่วงต่ำจริง และ Custom Voices ช่วยขจัดปัญหาด้านการอนุญาตที่ขัดขวางไม่ให้หลายทีมเปิดตัวคุณสมบัติเสียง วิธีที่เร็วที่สุดในการตรวจสอบโมเดลสำหรับกรณีการใช้งานของคุณคือการเขียนสคริปต์เซสชันใน Apidog เรียกใช้กับเสียงที่ตั้งไว้ล่วงหน้าสามเสียง และลองฟัง
เมื่อคุณพร้อมที่จะเชื่อมต่อเข้ากับการประมวลผลของ Grok 4.3 โปรดดูที่ คู่มือ API ของ Grok 4.3 สำหรับการเปรียบเทียบกับสแต็กของ OpenAI โปรดดูที่ Grok Voice vs GPT-Realtime