# Grok Voice API

> Sprachagent, der einen aufgezeichneten Audioclip anhört und mit Sprache sowie einem Transkript antwortet

Senden Sie über `audio_url` eine Aufnahme; der Agent antwortet mit gesprochenem Audio, das als Mono-WAV mit 24 kHz zusammen mit seiner Dauer und, sofern verfügbar, einem Transkript zurückgegeben wird. Der optionale `prompt` (bis zu 20000 Zeichen) legt Persona und Kontext fest, und `voice` wählt eine integrierte Stimme. Das Objekt `tools` kann Websuche, X-Suche oder Remote-MCP-Server aktivieren; standardmäßig sind alle deaktiviert.

- Model id: `xai/grok-voice`
- 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.com/v1/run/xai/grok-voice`
- Quote: `POST https://api.doitong.com/v1/quote/xai/grok-voice`
- Docs page: https://doitong.com/de/developers/models/xai/grok-voice

## 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.com/v1/quote/xai/grok-voice` 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 |  |  | Audio-URL für die Sprache des Benutzers, begrenzt auf 10 Minuten und 50 MB. Die gängigsten Audioformate können angegeben werden; bevor Grok das Audio erhält, wird es in Mono-PCM mit 16-Bit-Samples bei 24 kHz konvertiert. Der Agent antwortet auf die Aufnahme mit Sprache. |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | Optionale Systemanweisungen, die Gesprächskontext bereitstellen und anstelle von Groks Standardpersona eine Persona festlegen; bei Weglassen bleibt die Standardpersona erhalten. |
| `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` | Integrierte xAI-Stimme auswählen, die Groks Standardstimme für die Antwort des Agenten überschreibt; ohne Auswahl bleibt die Standardstimme erhalten. |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | Agent-Toolkonfiguration für die serverseitige Nutzung; file_search/collections sind wegen ZDR von der typisierten Konfiguration ausgeschlossen. Alle Tools sind zunächst deaktiviert; unterstützte Optionen umfassen Remote-MCP-Tools, Web-Tools und X-Tools. |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | Remote-MCP-Server, mit denen der Modellanbieter zur Toolausführung verbunden wird. |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | Optionale Liste mit den Toolnamen, die dieser Server bereitstellt. |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | Sensibler Autorisierungswert, der ausschließlich an den Modellanbieter gesendet wird. |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | Server-Einschlussflag; false schließt den Server aus. |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | Sensible Header für MCP-Anfragen, die ausschließlich an den Modellanbieter gesendet werden. |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | Beschreibung der Fähigkeiten, die dieser Server bereitstellt. |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | Serverbezeichnung, anhand derer der Modellanbieter seine Tools identifiziert und ihre Namen mit einem Präfix versieht. |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | Vom Aufrufer bereitgestellte HTTP(S)-Adresse eines MCP-Servers, mit dem Grok remote über Streaming-HTTP/SSE-Transporte verbunden wird. |
| `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}` |  | Vom Anbieter verwaltete Websuche, deaktiviert, sofern enabled nicht true ist. |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | Domänenbeschränkung für Suchergebnisse: bis zu fünf Domänen ohne Protokolle und Pfade angeben. |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | Berechtigung des Agenten, über Websuchen gefundene Bilder zu untersuchen. |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | Websuchzugriff für den Agenten: true fügt web_search zu session.tools hinzu und erlaubt Websuchen; der Standardwert lässt ihn deaktiviert. |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | Domänen, die aus den Suchergebnissen ausgeschlossen werden, begrenzt auf fünf Einträge ohne Protokolle und Pfade. |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | Optionaler Standort zur geografischen Anpassung der Suchergebnisse. |
| `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}` |  | Vom Anbieter verwaltete X-Suche, deaktiviert, sofern enabled nicht true ist. |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X-Handles, deren Beiträge in den Ergebnissen erscheinen dürfen, begrenzt auf 20 Handles. |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | Berechtigung des Agenten, auf X gefundene Bilder zu untersuchen. |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | Berechtigung des Agenten, auf X gefundene Videos zu untersuchen. |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | Zugriff auf X-Beiträge über die Suche: true fügt x_search zu session.tools hinzu, sodass der Agent diese Beiträge durchsuchen kann; der Standardwert lässt dies deaktiviert. |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X-Handles, deren Beiträge ausgeschlossen werden, begrenzt auf 20 Handles. |
| `tools.x_search.from_date` |  | string \| null | no |  |  | Frühestes Datum für Beiträge im ISO-Format YYYY-MM-DD. |
| `tools.x_search.to_date` |  | string \| null | no |  |  | Spätestes Datum für Beiträge im ISO-Format YYYY-MM-DD. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Die Prüfung kann durch Setzen auf false gelockert werden, sofern der Aufrufer dazu berechtigt ist. |

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.com/v1/run/xai/grok-voice?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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/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?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.com/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", 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.com/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",
      "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",
  "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"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `audio` | object {url, content_type, file_name, file_size} | Gesprochene Antwort des Grok-Agenten, ausgegeben als Mono-WAV mit 24 kHz. |
| `text` | string | Text, der die Sprache des Agenten begleitet: Eine leere Zeichenfolge bedeutet, dass Grok kein Transkript bereitgestellt hat; andernfalls enthält sie das Transkript. |
| `duration` | number | Länge des generierten Audios, gemessen in Sekunden. |

## Related models

- [Grok Voice · Realtime](https://doitong.com/developers/models/xai/grok-voice/realtime.md) (`xai/grok-voice/realtime`): $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
- 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
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/xai/grok-voice