# Grok Voice API

> عامل صوتی که به یک کلیپ صوتی ضبط‌شده گوش می‌دهد و با گفتار به‌همراه متن رونویسی پاسخ می‌دهد

یک ضبط را از طریق `audio_url` ارسال کنید؛ عامل با صدای گفتاری پاسخ می‌دهد که به‌صورت WAV مونو با نرخ 24 kHz، همراه با مدت‌زمان و در صورت موجودبودن متن رونویسی برگردانده می‌شود. `prompt` اختیاری (حداکثر 20000 نویسه) شخصیت و زمینه را تعیین می‌کند و `voice` یک صدای داخلی را انتخاب می‌کند. شیء `tools` می‌تواند جست‌وجوی وب، جست‌وجوی X یا سرورهای MCP راه دور را فعال کند؛ همه به‌طور پیش‌فرض خاموش‌اند.

- 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/fa/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 صوت گفتار کاربر، با محدودیت 10 دقیقه و 50 MB. بیشتر قالب‌های رایج صوتی قابل ارائه‌اند؛ پیش از دریافت صوت توسط Grok، به PCM مونو با نمونه‌های 16 بیتی در 24 kHz تبدیل می‌شود. عامل با گفتار به ضبط پاسخ می‌دهد. |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | دستورالعمل‌های سیستمی اختیاری که زمینه گفتگو را فراهم می‌کنند و به‌جای شخصیت پیش‌فرض Grok، یک شخصیت مشخص می‌کنند؛ حذف آن‌ها همان شخصیت پیش‌فرض را حفظ می‌کند. |
| `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` | یک صدای داخلی xAI را انتخاب کنید تا صدای پیش‌فرض Grok برای پاسخ عامل جایگزین شود؛ خالی‌گذاشتن آن صدای پیش‌فرض را حفظ می‌کند. |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | پیکربندی ابزار عامل برای استفاده سمت سرور؛ به‌دلیل ZDR، file_search/collections از پیکربندی نوع‌دار حذف شده‌اند. همه ابزارها ابتدا غیرفعال‌اند؛ گزینه‌های پشتیبانی‌شده شامل ابزارهای MCP راه‌دور، ابزارهای وب و ابزارهای X هستند. |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | سرورهای MCP راه‌دوری که ارائه‌دهنده مدل برای اجرای ابزار به آن‌ها متصل می‌شود. |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | فهرست اختیاری نام ابزارهایی که این سرور در اختیار می‌گذارد. |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | مقدار مجوز حساس که منحصراً برای ارائه‌دهنده مدل ارسال می‌شود. |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | پرچم گنجاندن سرور؛ false سرور را حذف می‌کند. |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | هدرهای حساس برای درخواست‌های MCP که منحصراً برای ارائه‌دهنده مدل ارسال می‌شوند. |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | توضیح قابلیت‌هایی که این سرور در اختیار می‌گذارد. |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | برچسب سرور که ارائه‌دهنده مدل برای شناسایی ابزارهای آن و پیشوندگذاری نام‌هایشان استفاده می‌کند. |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | نشانی HTTP(S) ارائه‌شده توسط فراخواننده برای سرور MCP که Grok از راه دور و از طریق انتقال‌های Streaming HTTP/SSE به آن متصل می‌شود. |
| `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}` |  | جست‌وجوی وب مدیریت‌شده توسط ارائه‌دهنده که تا زمانی که enabled برابر true نباشد غیرفعال است. |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | محدودیت دامنه برای نتایج جست‌وجو: حداکثر پنج دامنه را بدون پروتکل و مسیر مشخص کنید. |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | مجوز عامل برای بررسی تصاویری که از طریق جست‌وجوی وب پیدا می‌شوند. |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | دسترسی عامل به جست‌وجوی وب: مقدار true، web_search را به session.tools اضافه و جست‌وجوی وب را مجاز می‌کند؛ مقدار پیش‌فرض آن را غیرفعال نگه می‌دارد. |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | دامنه‌های حذف‌شده از نتایج جست‌وجو، حداکثر پنج مورد و بدون پروتکل و مسیر. |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | موقعیت اختیاری برای بومی‌سازی جغرافیایی نتایج جست‌وجو. |
| `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}` |  | جست‌وجوی X مدیریت‌شده توسط ارائه‌دهنده که تا زمانی که enabled برابر true نباشد غیرفعال است. |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | دسته‌های X که پست‌هایشان ممکن است در نتایج ظاهر شود؛ حداکثر 20 دسته. |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | مجوز عامل برای بررسی تصاویری که در X پیدا می‌شوند. |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | مجوز عامل برای بررسی ویدیوهایی که در X پیدا می‌شوند. |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | دسترسی به پست‌های X از طریق جست‌وجو: مقدار true، x_search را به session.tools اضافه می‌کند تا عامل بتواند آن پست‌ها را جست‌وجو کند؛ مقدار پیش‌فرض آن را غیرفعال نگه می‌دارد. |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | دسته‌های X که پست‌هایشان حذف می‌شوند؛ حداکثر 20 دسته. |
| `tools.x_search.from_date` |  | string \| null | no |  |  | قدیمی‌ترین تاریخ پست‌ها، با قالب ISO یعنی YYYY-MM-DD. |
| `tools.x_search.to_date` |  | string \| null | no |  |  | جدیدترین تاریخ پست‌ها، با قالب ISO یعنی YYYY-MM-DD. |
| `enable_safety_checker` |  | boolean | no | `true` |  | با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد. |

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} | پاسخ گفتاری عامل Grok که به‌صورت WAV تک‌کاناله با نرخ نمونه‌برداری 24 kHz ارائه می‌شود. |
| `text` | string | متن همراه با گفتار عامل: رشته خالی نشان می‌دهد که Grok متن پیاده‌سازی‌شده‌ای ارائه نکرده است؛ در غیر این صورت، متن پیاده‌سازی‌شده را در بر می‌گیرد. |
| `duration` | number | طول صوت تولیدشده، برحسب ثانیه. |

## 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