কনটেন্টে যান

Grok Voice

ইন্টিগ্রেট করুন

মডেল id xai/grok-voice
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/xai/grok-voice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

প্রতি রান সর্বোচ্চ ১.৪৯৪$ পর্যন্ত প্রকৃত ব্যবহার অনুযায়ী চার্জ করা হয়, বাকি অর্থ ফেরত দেওয়া হয় এই পেজে চালান

API কী পান
xAI অডিও #xai#grok#voice#agent

রেকর্ড করা অডিও ক্লিপ শুনে স্পিচ ও ট্রান্সক্রিপ্টসহ উত্তর দেয় এমন ভয়েস এজেন্ট

xAI · অডিও

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

0 / 20000

ঐচ্ছিক সিস্টেম নির্দেশনা, যা কথোপকথনের প্রেক্ষাপট সরবরাহ করে এবং Grok-এর ডিফল্টের পরিবর্তে একটি persona নির্দিষ্ট করে; এগুলো বাদ দিলে ডিফল্ট persona বজায় থাকে।

•আবশ্যক audio_url
একটি ফাইল ড্রপ করুন, অথবা

ব্যবহারকারীর কথনের অডিও URL, যা 10 মিনিট ও 50 MB-তে সীমাবদ্ধ। প্রচলিত অধিকাংশ অডিও ফরম্যাট সরবরাহ করা যায়; Grok অডিও গ্রহণের আগে এটি 24 kHz-এ 16-bit স্যাম্পলসহ mono PCM-এ রূপান্তরিত হয়। এজেন্ট কথনের জবাব বক্তব্যের মাধ্যমে দেয়।

অ্যাডভান্সড voice · enable_safety_checker · tools

এজেন্টের উত্তরের জন্য Grok-এর ডিফল্ট পরিবর্তন করতে একটি বিল্ট-ইন xAI ভয়েস নির্বাচন করুন; এটি সেট না করলে ডিফল্ট ভয়েস বজায় থাকে।

ডিফল্ট {"mcp_servers":[],"we...

সার্ভার-সাইড ব্যবহারের জন্য এজেন্ট টুল কনফিগারেশন; ZDR-এর কারণে টাইপ করা কনফিগারেশন থেকে file_search/collections বাদ দেওয়া হয়েছে। সব টুল শুরুতে নিষ্ক্রিয় থাকে; সমর্থিত বিকল্পের মধ্যে রয়েছে remote MCP tools, web tools এবং X tools।

POST /run/xai/grok-voice?wait=20 মূল্য → ১.৪৯৪$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/xai/grok-voice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Grok Voice সম্পর্কে

`audio_url`-এর মাধ্যমে একটি রেকর্ডিং পাঠালে এজেন্ট স্পিচ অডিওতে উত্তর দেয়, যা 24 kHz একক-চ্যানেল WAV হিসেবে তার সময়কাল এবং উপলভ্য থাকলে একটি transcript-সহ ফেরত আসে। ঐচ্ছিক `prompt` (সর্বোচ্চ 20000 অক্ষর) persona ও context সেট করে, আর `voice` একটি বিল্ট-ইন voice নির্বাচন করে। `tools` অবজেক্ট ওয়েব অনুসন্ধান, X অনুসন্ধান বা দূরবর্তী MCP সার্ভার চালু করতে পারে; ডিফল্টভাবে সব বন্ধ থাকে।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
audio_urlআবশ্যক audio
ধরনurl · audio
ব্যবহারকারীর কথনের অডিও URL, যা 10 মিনিট ও 50 MB-তে সীমাবদ্ধ। প্রচলিত অধিকাংশ অডিও ফরম্যাট সরবরাহ করা যায়; Grok অডিও গ্রহণের আগে এটি 24 kHz-এ 16-bit স্যাম্পলসহ mono PCM-এ রূপান্তরিত হয়। এজেন্ট কথনের জবাব বক্তব্যের মাধ্যমে দেয়।
promptঐচ্ছিক
ধরনstring | null
≤ ২০,০০০টি অক্ষর
ঐচ্ছিক সিস্টেম নির্দেশনা, যা কথোপকথনের প্রেক্ষাপট সরবরাহ করে এবং Grok-এর ডিফল্টের পরিবর্তে একটি persona নির্দিষ্ট করে; এগুলো বাদ দিলে ডিফল্ট persona বজায় থাকে।
voiceঐচ্ছিক
ধরনenum
carinazaganhelixorionlunairisaltairzenithperseusheliosluxkeplerrigelcosmocelesteursa
+12টি আরওsiriuslumencastornakshatlasauroralioraaraeveleorexsal
এজেন্টের উত্তরের জন্য Grok-এর ডিফল্ট পরিবর্তন করতে একটি বিল্ট-ইন xAI ভয়েস নির্বাচন করুন; এটি সেট না করলে ডিফল্ট ভয়েস বজায় থাকে।
toolsঐচ্ছিক
ধরনobject
ডিফল্ট{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}
সার্ভার-সাইড ব্যবহারের জন্য এজেন্ট টুল কনফিগারেশন; ZDR-এর কারণে টাইপ করা কনফিগারেশন থেকে file_search/collections বাদ দেওয়া হয়েছে। সব টুল শুরুতে নিষ্ক্রিয় থাকে; সমর্থিত বিকল্পের মধ্যে রয়েছে remote MCP tools, web tools এবং X tools।
tools.mcp_serversঐচ্ছিক
ধরনobject[]
টুল কার্যকর করার জন্য মডেল প্রদানকারী যে Remote MCP সার্ভারগুলোতে সংযুক্ত হয়।
tools.mcp_servers[].allowed_toolsঐচ্ছিক
ধরনstring[]
≥ 1 items
এই সার্ভার কোন টুলের নাম প্রকাশ করে তা নির্দিষ্ট করা ঐচ্ছিক তালিকা।
tools.mcp_servers[].authorizationঐচ্ছিক
ধরনstring | null
শুধুমাত্র মডেল প্রদানকারীর কাছে পাঠানো সংবেদনশীল অনুমোদন মান।
tools.mcp_servers[].enabledঐচ্ছিক
ধরনboolean
ডিফল্টtrue
সার্ভার অন্তর্ভুক্তির ফ্ল্যাগ; false হলে সার্ভারটি বাদ পড়ে।
tools.mcp_servers[].headersঐচ্ছিক
ধরনobject | null
MCP রিকোয়েস্টের সংবেদনশীল হেডার, যা শুধুমাত্র মডেল প্রদানকারীর কাছে পাঠানো হয়।
tools.mcp_servers[].server_descriptionঐচ্ছিক
ধরনstring | null
≤ 2000 characters
এই সার্ভার যে সক্ষমতাগুলো উপলব্ধ করে তার বিবরণ।
tools.mcp_servers[].server_labelআবশ্যক
ধরনstring
1 – 128 characters
মডেল প্রদানকারীর টুল শনাক্ত করতে এবং তাদের নামের পূর্বে যোগ করতে ব্যবহৃত সার্ভার লেবেল।
tools.mcp_servers[].server_urlআবশ্যক
ধরনstring
≥ 1 characters
কলার কর্তৃক সরবরাহ করা HTTP(S) ঠিকানা, যেখানে Grok Streaming HTTP/SSE ট্রান্সপোর্টের মাধ্যমে দূরবর্তীভাবে সংযুক্ত হয় এমন MCP সার্ভার থাকে।
tools.web_search.allowed_domainsঐচ্ছিক
ধরনstring[]
1 – 5 items
সার্চ ফলাফলের ডোমেইন সীমাবদ্ধতা: প্রোটোকল ও পাথ বাদ দিয়ে সর্বাধিক পাঁচটি ডোমেইন নির্দিষ্ট করুন।
tools.web_search.enable_image_understandingঐচ্ছিক
ধরনboolean | null
ওয়েব সার্চের মাধ্যমে পাওয়া ছবি পরীক্ষা করার জন্য এজেন্টের অনুমতি।
tools.web_search.enabledঐচ্ছিক
ধরনboolean
ডিফল্টfalse
এজেন্টের ওয়েব-সার্চ অ্যাক্সেস: true session.tools-এ web_search যোগ করে এবং ওয়েব সার্চের অনুমতি দেয়; ডিফল্ট অবস্থায় এটি নিষ্ক্রিয় থাকে।
tools.web_search.excluded_domainsঐচ্ছিক
ধরনstring[]
1 – 5 items
সার্চ ফলাফল থেকে বাদ দেওয়ার ডোমেইন; প্রোটোকল ও পাথ বাদ দিয়ে সর্বাধিক পাঁচটি এন্ট্রি।
tools.web_search.locationঐচ্ছিক
ধরনobject
ভৌগোলিকভাবে সার্চ ফলাফল উপযোগী করে সাজানোর জন্য ঐচ্ছিক অবস্থান।
tools.x_search.allowed_x_handlesঐচ্ছিক
ধরনstring[]
1 – 20 items
ফলাফলে পোস্ট দেখা যেতে পারে এমন X হ্যান্ডেল; সর্বাধিক 20টি হ্যান্ডেল।
tools.x_search.enable_image_understandingঐচ্ছিক
ধরনboolean | null
X-এ পাওয়া ছবি পরীক্ষা করার জন্য এজেন্টের অনুমতি।
tools.x_search.enable_video_understandingঐচ্ছিক
ধরনboolean | null
X-এ পাওয়া ভিডিও পরীক্ষা করার জন্য এজেন্টের অনুমতি।
tools.x_search.enabledঐচ্ছিক
ধরনboolean
ডিফল্টfalse
সার্চের মাধ্যমে X পোস্টে অ্যাক্সেস: true দিলে session.tools-এ x_search যোগ হয়, ফলে এজেন্ট ওই পোস্টগুলো সার্চ করতে পারে; ডিফল্ট অবস্থায় এটি নিষ্ক্রিয় থাকে।
tools.x_search.excluded_x_handlesঐচ্ছিক
ধরনstring[]
1 – 20 items
যেসব X হ্যান্ডেলের পোস্ট বাদ দেওয়া হবে, সর্বোচ্চ 20টি হ্যান্ডেল।
tools.x_search.from_dateঐচ্ছিক
ধরনstring | null
পোস্টের সর্বপ্রথম তারিখ, ISO ফরম্যাট YYYY-MM-DD-এ প্রকাশ করা হয়।
tools.x_search.to_dateঐচ্ছিক
ধরনstring | null
পোস্টের সর্বশেষ তারিখ, ISO ফরম্যাট YYYY-MM-DD-এ প্রকাশ করা হয়।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টtrue
কলকারী অনুমোদিত হলে false সেট করে স্ক্রিনিং শিথিল করা যায়।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "xai/grok-voice",
  "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio
object {url, content_type, file_name, file_size}Grok এজেন্টের কথ্য উত্তর, 24 kHz-এ mono WAV হিসেবে সরবরাহ করা হয়।
text
stringএজেন্টের বক্তব্যের সঙ্গে থাকা টেক্সট: খালি স্ট্রিং নির্দেশ করে যে Grok কোনো ট্রান্সক্রিপ্ট দেয়নি; অন্যথায় এতে ট্রান্সক্রিপ্ট থাকে।
duration
numberউৎপন্ন অডিওর দৈর্ঘ্য, সেকেন্ডে পরিমাপ করা।

আরও মডেল: অডিও

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/xai/grok-voice.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt