# Grok Voice API

> Πράκτορας φωνής που ακούει ένα ηχογραφημένο κλιπ ήχου και απαντά με ομιλία και απομαγνητοφώνηση

Στείλτε μια ηχογράφηση μέσω του `audio_url` και ο πράκτορας απαντά με ομιλούμενο ήχο, ο οποίος επιστρέφεται ως μονοφωνικό WAV 24 kHz μαζί με τη διάρκειά του και απομαγνητοφώνηση, όταν είναι διαθέσιμη. Το προαιρετικό `prompt` (έως 20000 χαρακτήρες) ορίζει την περσόνα και το πλαίσιο, ενώ το `voice` επιλέγει ενσωματωμένη φωνή. Το αντικείμενο `tools` μπορεί να ενεργοποιήσει αναζήτηση στον ιστό, αναζήτηση στο X ή απομακρυσμένους διακομιστές MCP, όλα απενεργοποιημένα από προεπιλογή.

- 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/el/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 |  |  | URL ήχου της ομιλίας του χρήστη, έως 10 λεπτά και 50 MB. Μπορούν να παρασχεθούν οι συνηθέστερες μορφές ήχου· πριν το Grok λάβει τον ήχο, μετατρέπεται σε mono PCM με δείγματα 16-bit στα 24 kHz. Ο πράκτορας απαντά στην ηχογράφηση με ομιλία. |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | Προαιρετικές οδηγίες συστήματος που παρέχουν πλαίσιο συνομιλίας και καθορίζουν persona αντί της προεπιλεγμένης του Grok· η παράλειψή τους διατηρεί την προεπιλεγμένη persona. |
| `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` | Επιλέξτε ενσωματωμένη φωνή xAI για αντικατάσταση της προεπιλεγμένης φωνής του Grok στην απάντηση του πράκτορα· αν δεν οριστεί, διατηρείται η προεπιλεγμένη φωνή. |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | Διαμόρφωση εργαλείων πράκτορα για χρήση από τον διακομιστή, με εξαίρεση των file_search/collections από την τυποποιημένη διαμόρφωση λόγω ZDR. Όλα τα εργαλεία ξεκινούν απενεργοποιημένα· υποστηρίζονται απομακρυσμένα εργαλεία MCP, εργαλεία ιστού και εργαλεία X. |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | Απομακρυσμένοι διακομιστές MCP στους οποίους συνδέεται ο πάροχος μοντέλου για εκτέλεση εργαλείων. |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | Προαιρετική λίστα που καθορίζει ποια ονόματα εργαλείων εκθέτει ο διακομιστής. |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | Ευαίσθητη τιμή εξουσιοδότησης που αποστέλλεται αποκλειστικά στον πάροχο μοντέλου. |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | Σημαία συμπερίληψης διακομιστή· το false αποκλείει τον διακομιστή. |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | Ευαίσθητες κεφαλίδες για αιτήματα MCP, που αποστέλλονται αποκλειστικά στον πάροχο μοντέλου. |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | Περιγραφή των δυνατοτήτων που διαθέτει ο διακομιστής. |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | Ετικέτα διακομιστή που χρησιμοποιεί ο πάροχος μοντέλου για την αναγνώριση των εργαλείων του και την προσθήκη προθέματος στα ονόματά τους. |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | Διεύθυνση HTTP(S) που παρέχει ο καλών για διακομιστή MCP στον οποίο συνδέεται απομακρυσμένα το Grok μέσω μεταφορών Streaming HTTP/SSE. |
| `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}` |  | Αναζήτηση ιστού υπό διαχείριση παρόχου, απενεργοποιημένη εκτός αν το enabled είναι true. |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | Περιορισμός τομέων για αποτελέσματα αναζήτησης: καθορίστε έως πέντε τομείς, χωρίς πρωτόκολλα και διαδρομές. |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | Άδεια του πράκτορα να εξετάζει εικόνες που εντοπίζονται μέσω αναζητήσεων ιστού. |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | Πρόσβαση του πράκτορα σε αναζήτηση ιστού: το true προσθέτει το web_search στο session.tools και επιτρέπει αναζητήσεις ιστού· η προεπιλογή το αφήνει απενεργοποιημένο. |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | Τομείς που εξαιρούνται από τα αποτελέσματα αναζήτησης, έως πέντε καταχωρίσεις χωρίς πρωτόκολλα και διαδρομές. |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | Προαιρετική τοποθεσία για γεωγραφική προσαρμογή των αποτελεσμάτων αναζήτησης. |
| `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}` |  | Αναζήτηση X υπό διαχείριση παρόχου, απενεργοποιημένη εκτός αν το enabled είναι true. |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | Χειριστήρια X των οποίων οι αναρτήσεις ενδέχεται να εμφανίζονται στα αποτελέσματα, έως 20 χειριστήρια. |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | Άδεια του πράκτορα να εξετάζει εικόνες που εντοπίζονται στο X. |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | Άδεια του πράκτορα να εξετάζει βίντεο που εντοπίζονται στο X. |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | Πρόσβαση σε αναρτήσεις X μέσω αναζήτησης: το true προσθέτει το x_search στο session.tools ώστε ο πράκτορας να αναζητά αυτές τις αναρτήσεις· η προεπιλογή το αφήνει απενεργοποιημένο. |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | Χειριστήρια X των οποίων οι αναρτήσεις εξαιρούνται, έως 20 χειριστήρια. |
| `tools.x_search.from_date` |  | string \| null | no |  |  | Πρώιμη ημερομηνία για αναρτήσεις, σε μορφή ISO YYYY-MM-DD. |
| `tools.x_search.to_date` |  | string \| null | no |  |  | Τελευταία ημερομηνία για αναρτήσεις, σε μορφή ISO YYYY-MM-DD. |
| `enable_safety_checker` |  | boolean | no | `true` |  | Ο έλεγχος μπορεί να χαλαρώσει με τη ρύθμιση false, εφόσον ο καλών είναι εξουσιοδοτημένος. |

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} | Ηχητική απάντηση από τον πράκτορα Grok, σε μονοφωνικό WAV στα 24 kHz. |
| `text` | string | Κείμενο που συνοδεύει την ομιλία του πράκτορα: μια κενή συμβολοσειρά υποδεικνύει ότι το Grok δεν παρείχε απομαγνητοφώνηση· διαφορετικά, περιέχει την απομαγνητοφώνηση. |
| `duration` | number | Διάρκεια του παραγόμενου ήχου, μετρημένη σε δευτερόλεπτα. |

## 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