# Grok Voice · Realtime API

> Grok balso agento realiojo laiko variantas srautiniams abipusiams garso ir teksto pokalbiams

Balso agentas, skirtas tiesioginėms programoms, pvz., asistentams ir telefono agentams, sukurtas abipusiam srautiniam garsui ir tekstui. Įvestys atitinka standartinį balso modelį: `audio_url` naudotojo kalbai, pasirinktinis `prompt` asmenybės instrukcijoms, `voice` parinktis ir pasirinktinis `tools` prieigai prie žiniatinklio, X arba MCP. Grąžina sakytinį WAV garsą, jo trukmę ir transkripciją.

- 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/lt/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 |  |  | Naudotojo kalbos garso URL, ne ilgesnis nei 10 minučių ir 50 MB. Galima pateikti daugumą įprastų garso formatų; prieš Grok gaunant garsą, jis konvertuojamas į monofoninį PCM su 16 bitų pavyzdžiais, 24 kHz dažniu. Agentas įrašą atsako kalba. |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | Pasirinktinės sistemos instrukcijos, suteikiančios pokalbio kontekstą ir nurodančios asmenybę vietoje numatytosios Grok; jų nepateikus, išlaikoma numatytoji asmenybė. |
| `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` | Pasirinkite integruotą xAI balsą, kuris pakeistų numatytąjį Grok agento atsakymui; šio nenustačius, išlaikomas numatytasis balsas. |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | Agentų įrankių konfigūracija serverio pusėje, neįtraukiant file_search/collections į tipizuotą konfigūraciją dėl ZDR. Visi įrankiai iš pradžių išjungti; palaikomos parinktys apima nuotolinius MCP įrankius, žiniatinklio įrankius ir X įrankius. |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | Nuotoliniai MCP serveriai, prie kurių modelio teikėjas jungiasi įrankiams vykdyti. |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | Pasirinktinis sąrašas, nurodantis, kokius įrankių pavadinimus šis serveris teikia. |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | Slapta autorizacijos reikšmė, siunčiama tik modelio teikėjui. |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | Serverio įtraukimo požymis; false pašalina serverį. |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | Slapti MCP užklausų antraščių duomenys, siunčiami tik modelio teikėjui. |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | Aprašas, nusakantis šio serverio teikiamas galimybes. |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | Serverio etiketė, kurią modelio teikėjas naudoja įrankiams identifikuoti ir jų pavadinimams papildyti prefiksu. |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | Iškvietėjo pateiktas HTTP(S) adresas MCP serveriui, prie kurio Grok nuotoliniu būdu jungiasi per Streaming HTTP/SSE transportus. |
| `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}` |  | Teikėjo valdoma žiniatinklio paieška, išjungta, nebent enabled yra true. |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | Paieškos rezultatų domenų apribojimas: nurodykite ne daugiau kaip penkis domenus, neįtraukdami protokolų ir kelių. |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | Leidimas agentui nagrinėti per žiniatinklio paiešką rastus vaizdus. |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | Agentui suteikiama žiniatinklio paieškos prieiga: true įtraukia web_search į session.tools ir leidžia atlikti žiniatinklio paiešką; numatytoji reikšmė ją palieka išjungtą. |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | Į paieškos rezultatus neįtraukiami domenai, ne daugiau kaip penki įrašai, nenurodant protokolų ir kelių. |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | Pasirinktinė vieta, skirta paieškos rezultatams pritaikyti geografiniu požiūriu. |
| `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}` |  | Teikėjo valdoma X paieška, išjungta, nebent enabled yra true. |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X paskyrų vardai, kurių įrašai gali būti rodomi rezultatuose; ne daugiau kaip 20 paskyrų vardų. |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | Leidimas agentui nagrinėti X rastus vaizdus. |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | Leidimas agentui nagrinėti X rastus vaizdo įrašus. |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | Prieiga prie X įrašų per paiešką: true įtraukia x_search į session.tools, kad agentas galėtų ieškoti šių įrašų; numatytoji reikšmė ją palieka išjungtą. |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X paskyrų vardai, kurių įrašai neįtraukiami; ne daugiau kaip 20 paskyrų vardų. |
| `tools.x_search.from_date` |  | string \| null | no |  |  | Anksčiausia įrašų data, išreikšta ISO formatu YYYY-MM-DD. |
| `tools.x_search.to_date` |  | string \| null | no |  |  | Vėliausia įrašų data, išreikšta ISO formatu YYYY-MM-DD. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Patikrą galima sušvelninti nustačius false, jei skambinantysis turi teisę tai daryti. |

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 agento ištartas atsakymas, pateikiamas kaip mono WAV 24 kHz dažniu. |
| `text` | string | Tekstas, lydintis agento kalbą: tuščia eilutė reiškia, kad Grok nepateikė transkripcijos; kitu atveju joje pateikiama transkripcija. |
| `duration` | number | Sugeneruoto garso trukmė sekundėmis. |

## 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