# Grok Voice · Realtime API

> Ағындық, екі бағытты аудио және мәтіндік сөйлесулерге арналған Grok дауыс агентінің нақты уақыттағы нұсқасы

Ассистенттер мен телефон агенттері сияқты тікелей қолданбаларға арналған, екі бағытта да ағындық аудио және мәтінмен жұмыс істейтін дауыс агенті. Кірістері стандартты дауыс моделіне сәйкес: пайдаланушы сөзі үшін `audio_url`, тұлға нұсқауларына арналған қосымша `prompt`, `voice` таңдауы және вебке, X немесе MCP-ке қатынауға арналған қосымша `tools`. Сөйлеу WAV аудиосын, оның ұзақтығын және транскриптін қайтарады.

- Model id: `xai/grok-voice/realtime`
- Made by: xAI
- Category: Audio
- Output: audio
- Charged by usage (up to $1.494 per run, typical $0.006; the rest of the hold is refunded): $0.00083 / second of the voice session (cheapest run $0.006 (6 API credits))
- Run: `POST https://api.doitong.ru/v1/run/xai/grok-voice/realtime`
- Quote: `POST https://api.doitong.ru/v1/quote/xai/grok-voice/realtime`
- Docs page: https://doitong.com/kk/developers/models/xai/grok-voice/realtime

## Pricing

Price: **$0.00083 / second of the voice session**. Charged by actual usage at $0.00083 / second of the voice session: up to $1.494 per run (the quote gives the maximum for your input), the rest is refunded automatically after the run. A typical run costs $0.006.

The full example input below holds up to $1.494 = 1494 API credits (up to 1800 s of voice session × $0.00083) when it starts; a typical run costs $0.006 (6 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). This model is charged by usage: `POST https://api.doitong.ru/v1/quote/xai/grok-voice/realtime` with the same JSON body returns the most the run can cost for that input (`credits`, debited when the run starts); after the run you pay the usage the model reports and the rest is refunded automatically. An input whose maximum would exceed the per-run limit is refused with 422. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

Send either the canonical name or the native field name (not both). Canonical names are the same across models.

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `audio_url` | `audio` | string (audio URL) | yes |  |  | Пайдаланушының сөйлеуіне арналған аудио URL; 10 минут және 50 MB көлемімен шектеледі. Көп таралған аудио форматтарын беруге болады; Grok аудионы қабылдамас бұрын оны 24 kHz жиілікте 16 биттік үлгілері бар моно PCM форматына түрлендіреді. Агент жазбаға сөйлеу арқылы жауап береді. |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | Сөйлесу контекстін беретін және Grok әдепкісінің орнына персонасын анықтайтын қосымша жүйелік нұсқаулар; көрсетілмесе, әдепкі персона сақталады. |
| `voice` |  | enum (string) \| null | no |  | `carina`, `zagan`, `helix`, `orion`, `luna`, `iris`, `altair`, `zenith`, `perseus`, `helios`, `lux`, `kepler`, `rigel`, `cosmo`, `celeste`, `ursa`, `sirius`, `lumen`, `castor`, `naksh`, `atlas`, `aurora`, `liora`, `ara`, `eve`, `leo`, `rex`, `sal` | Агент жауабында Grok әдепкі дауысын алмастыратын кірістірілген xAI дауысын таңдаңыз; бұл параметр орнатылмаса, әдепкі дауыс сақталады. |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | Серверлік қолдануға арналған агент құралдарының конфигурациясы; ZDR себебінен типтелген конфигурациядан file_search/collections алынып тасталады. Барлық құрал әдепкіде өшірулі; қолдау көрсетілетін параметрлерге қашықтағы MCP құралдары, web құралдары және X құралдары кіреді. |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | Модель провайдері құралдарды орындау үшін қосылатын қашықтағы MCP серверлері. |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | Бұл сервер ашатын құрал атауларын көрсететін қосымша тізім. |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | Тек модель провайдеріне жіберілетін құпия авторизация мәні. |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | Серверді қосу жалаушасы; `false` серверді алып тастайды. |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | Тек модель провайдеріне жіберілетін MCP сұрауларына арналған құпия тақырыптар. |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | Бұл сервер ұсынатын мүмкіндіктердің сипаттамасы. |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | Модель провайдері құралдарын анықтау және олардың атауларына префикс қосу үшін пайдаланатын сервер белгісі. |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | Grok Streaming HTTP/SSE тасымалдаушылары арқылы қашықтан қосылатын MCP серверіне қоңырау шалушы беретін HTTP(S) мекенжайы. |
| `tools.web_search` |  | object {allowed_domains, enable_image_understanding, enabled, excluded_domains, location} | no | `{"allowed_domains":null,"enable_image_understanding":null,"enabled":false,"excluded_domains":null,"location":null}` |  | Провайдер басқаратын web іздеуі, enabled мәні `true` болмаса өшірулі. |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | Іздеу нәтижелеріне арналған домен шектеуі: протоколдар мен жолдарды қоспай, ең көбі бес домен көрсетіңіз. |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | Агентке web іздеулері арқылы табылған кескіндерді тексеру рұқсаты. |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | Агенттің web іздеуіне рұқсаты: `true` session.tools ішіне web_search қосып, web іздеулеріне рұқсат береді; әдепкі мән оны өшірулі қалдырады. |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | Іздеу нәтижелерінен алып тасталатын домендер, протоколдар мен жолдарсыз ең көбі бес жазба. |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | Іздеу нәтижелерін географиялық тұрғыдан бейімдеуге арналған қосымша орналасу орны. |
| `tools.x_search` |  | object {allowed_x_handles, enable_image_understanding, enable_video_understanding, enabled, excluded_x_handles, from_date, to_date} | no | `{"allowed_x_handles":null,"enable_image_understanding":null,"enable_video_understanding":null,"enabled":false,"excluded_x_handles":null,"from_date":null,"to_date":null}` |  | Провайдер басқаратын X іздеуі, enabled мәні `true` болмаса өшірулі. |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | Жазбалары нәтижелерде көрінуі мүмкін X дескрипторлары, ең көбі 20 дескриптор. |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | Агентке X желісінен табылған кескіндерді тексеру рұқсаты. |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | Агентке X желісінен табылған бейнелерді тексеру рұқсаты. |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | Іздеу арқылы X жазбаларына қол жеткізу: `true` session.tools ішіне x_search қосып, агентке сол жазбаларды іздеуге мүмкіндік береді; әдепкі мән оны өшірулі қалдырады. |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | Жазбалары алынып тасталатын X дескрипторлары, ең көбі 20 дескриптор. |
| `tools.x_search.from_date` |  | string \| null | no |  |  | Жазбалар үшін ISO YYYY-MM-DD форматында берілетін ең ерте күн. |
| `tools.x_search.to_date` |  | string \| null | no |  |  | Жазбалар үшін ISO YYYY-MM-DD форматында берілетін ең соңғы күн. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Шақырушы авторизацияланған болса, false мәнін орнату арқылы тексеруді жеңілдетуге болады. |

File parameters (`audio`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`.

## Example input

Required parameters only:

```json
{
  "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
}
```

A fuller example:

```json
{
  "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/xai/grok-voice/realtime?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/xai/grok-voice/realtime?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/xai/grok-voice/realtime", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.ru/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "xai/grok-voice/realtime",
      "input": {
        "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "xai/grok-voice/realtime",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 1494,
    "usd": "1.494",
    "charged": 1494,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "text": "",
    "duration": 5
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `audio` | object {url, content_type, file_name, file_size} | Grok агентінің 24 kHz жиілігіндегі моно WAV форматында берілетін айтылған жауабы. |
| `text` | string | Агент сөзіне ілесетін мәтін: бос жол Grok транскрипт ұсынбағанын білдіреді; әйтпесе онда транскрипт болады. |
| `duration` | number | Секундпен өлшенетін генерацияланған аудио ұзақтығы. |

## Related models

- [Grok Voice](https://doitong.com/developers/models/xai/grok-voice.md) (`xai/grok-voice`): $0.00083 / second of the voice session
- [MMAudio V2](https://doitong.com/developers/models/mmaudio-v2.md) (`mmaudio-v2`): $0.001 / second
- [DeepFilterNet 3](https://doitong.com/developers/models/deepfilternet3.md) (`deepfilternet3`): $0.001 / second of input audio
- [Demucs](https://doitong.com/developers/models/demucs.md) (`demucs`): $0.0007 / second of input audio
- [ElevenLabs Audio Isolation](https://doitong.com/developers/models/elevenlabs/audio-isolation.md) (`elevenlabs/audio-isolation`): $0.10 / minute of input file
- [Elevenlabs Sound Effects V2](https://doitong.com/developers/models/elevenlabs/sound-effects/v2.md) (`elevenlabs/sound-effects/v2`): $0.002 / second
- [ElevenLabs Voice Changer](https://doitong.com/developers/models/elevenlabs/voice-changer.md) (`elevenlabs/voice-changer`): $0.30 / minute of input audio
- [FFmpeg API \[Merge Audios\]](https://doitong.com/developers/models/ffmpeg-api/merge-audios.md) (`ffmpeg-api/merge-audios`): $0.00017 / second of processing time

## Links

- HTML page: https://doitong.com/developers/models/xai/grok-voice/realtime
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=xai/grok-voice/realtime
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/xai/grok-voice/realtime