每秒0.00083美元：Grok Voice推出語音API

Grok Voice已接入面向開發者的AI語音基礎設施平台fal.ai，費用為每秒音訊0.00083美元（約1.13韓元）。

開發者無需分別整合語音辨識、語言處理與語音合成API，即可運用語音對語音模型建立即時語音代理。fal.ai在服務頁面表示，平台提供處理錄音檔的HTTP API，以及支援即時雙向對話的WebSocket API。

WebSocket API採用全雙工通訊架構，使用者說話期間，代理即可作出回應。首段語音回應目標為1秒內完成，但實際延遲時間仍會受到輸入環境與網路條件影響。

過去的語音代理通常依序串接語音辨識（STT）、大型語言模型處理與語音合成（TTS）。Grok Voice則將這些流程整合至語音對語音模型，主打降低分別管理多項服務與基礎設施的負擔。

fal.ai公布的費用約為每分鐘0.05美元（約68韓元）。連續1小時語音互動的費用約為3美元（約4080韓元），按用量計費，且沒有最低用量要求。

語言支援範圍超過25種，並提供25種基本語音與自訂語音，也支援語音複製功能。

xAI在公告中表示，7月6日在原有5種語音之外，新增21種多語言語音，並說明使用約1分鐘的語音即可建立自訂語音。

系統也具備代理在對話期間呼叫外部函式的功能，可在對話流程中執行查詢客戶帳戶、確認庫存與處理交易等連接外部系統的工作。

實際導入服務時，仍須分別管理語音複製對象的同意、個人資料保護及外部系統存取權限。尤其外部函式呼叫會把語音對話連接至實際業務處理，因此有必要區分權限範圍。

此次接入更接近面向開發者與企業的API擴充，而非消費者版Grok應用程式更新。xAI透過Grok Voice Agent API公開資料，於2025年12月發布開發者語音API。

xAI在2026年4月發布Grok Voice Think Fast 1.0，並於7月公開Think Fast 2.0，各次發布均主打語音推理、對話及工具使用功能改善。

fal.ai提供透過單一SDK與無伺服器API連接多種生成式AI模型的開發環境。此次接入後，Grok Voice也被納入可與影像、影片生成模型一同使用的開發者模型選項。

語音對語音方式不會將語音輸入拆分為文字處理與語音合成階段，而是直接連接至語音輸出。WebSocket則是讓伺服器與客戶端維持連線，並即時交換資料的通訊方式。

目前尚未確認此次接入在社群平台的量化傳播規模，或主要業界人士的額外反應。除官方頁面列出的價格與功能外，對實際用量及服務品質的影響仍有待進一步驗證。