# Grok Voice API

> रिकॉर्ड किए गए ऑडियो क्लिप को सुनकर भाषण और ट्रांसक्रिप्ट के साथ उत्तर देने वाला वॉइस एजेंट

`audio_url` के ज़रिए रिकॉर्डिंग भेजें और एजेंट बोले गए ऑडियो में उत्तर देता है, जो उसकी अवधि और उपलब्ध होने पर ट्रांसक्रिप्ट के साथ 24 kHz मोनो WAV के रूप में लौटाया जाता है। वैकल्पिक `prompt` (अधिकतम 20000 वर्ण) व्यक्तित्व और संदर्भ सेट करता है, और `voice` अंतर्निहित वॉइस चुनता है। `tools` ऑब्जेक्ट वेब सर्च, X सर्च या रिमोट MCP सर्वर सक्षम कर सकता है; ये सभी डिफ़ॉल्ट रूप से बंद होते हैं।

- 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/hi/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 |  |  | उपयोगकर्ता के भाषण का ऑडियो URL, 10 मिनट और 50 MB तक सीमित। अधिकांश सामान्य ऑडियो फ़ॉर्मेट दिए जा सकते हैं; Grok के ऑडियो प्राप्त करने से पहले इसे 24 kHz पर 16-बिट सैंपल वाले mono PCM में बदला जाता है। एजेंट रिकॉर्डिंग का उत्तर भाषण के साथ देता है। |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | वैकल्पिक सिस्टम निर्देश, जो वार्तालाप का संदर्भ देते हैं और Grok के डिफ़ॉल्ट के स्थान पर एक व्यक्तित्व निर्दिष्ट करते हैं; इन्हें छोड़ने पर वही डिफ़ॉल्ट व्यक्तित्व बना रहता है। |
| `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` | एजेंट के उत्तर के लिए Grok की डिफ़ॉल्ट आवाज़ को बदलने हेतु अंतर्निहित xAI आवाज़ चुनें; इसे सेट न करने पर वही डिफ़ॉल्ट आवाज़ बनी रहती है। |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | सर्वर-साइड उपयोग के लिए एजेंट टूल कॉन्फ़िगरेशन, जिसमें ZDR के कारण typed configuration से file_search/collections को बाहर रखा गया है। सभी टूल डिफ़ॉल्ट रूप से अक्षम होते हैं; समर्थित विकल्पों में remote MCP tools, web tools और X tools शामिल हैं। |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | वे Remote MCP servers, जिनसे टूल निष्पादन के लिए मॉडल प्रदाता कनेक्ट होता है। |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | वैकल्पिक सूची, जो निर्दिष्ट करती है कि यह सर्वर किन टूल नामों को उपलब्ध कराता है। |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | संवेदनशील प्राधिकरण मान, जो केवल मॉडल प्रदाता को भेजा जाता है। |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | सर्वर समावेशन फ़्लैग; false होने पर सर्वर को बाहर रखा जाता है। |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | MCP अनुरोधों के लिए संवेदनशील हेडर, जो केवल मॉडल प्रदाता को भेजे जाते हैं। |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | यह बताने वाला विवरण कि यह सर्वर कौन-सी क्षमताएँ उपलब्ध कराता है। |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | मॉडल प्रदाता द्वारा इसके टूल की पहचान करने और उनके नामों का प्रीफ़िक्स लगाने के लिए उपयोग किया जाने वाला सर्वर लेबल। |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | कॉलर द्वारा MCP सर्वर के लिए दिया गया HTTP(S) पता, जिससे Grok Streaming HTTP/SSE ट्रांसपोर्ट के माध्यम से दूरस्थ रूप से कनेक्ट होता है। |
| `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}` |  | प्रदाता द्वारा प्रबंधित वेब खोज, enabled true होने तक अक्षम रहती है। |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | खोज परिणामों के लिए डोमेन प्रतिबंध: अधिकतम पाँच डोमेन निर्दिष्ट करें, प्रोटोकॉल और पथ छोड़कर। |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | वेब खोजों के माध्यम से मिली इमेज की जाँच करने की एजेंट को अनुमति। |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | एजेंट के लिए वेब-खोज पहुँच: true होने पर session.tools में web_search जोड़ा जाता है और वेब खोजों की अनुमति मिलती है; डिफ़ॉल्ट रूप से यह अक्षम रहता है। |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | खोज परिणामों से बाहर रखने वाले डोमेन, अधिकतम पाँच प्रविष्टियों तक सीमित; प्रोटोकॉल और पथ छोड़कर। |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | खोज परिणामों को भौगोलिक रूप से अनुकूलित करने के लिए वैकल्पिक स्थान। |
| `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}` |  | प्रदाता द्वारा प्रबंधित X खोज, enabled true होने तक अक्षम रहती है। |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | वे X हैंडल, जिनकी पोस्ट परिणामों में दिखाई दे सकती हैं; अधिकतम 20 हैंडल तक सीमित। |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | X पर मिली इमेज की जाँच करने की एजेंट को अनुमति। |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | X पर मिले वीडियो की जाँच करने की एजेंट को अनुमति। |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | X पोस्ट तक सर्च के ज़रिए पहुँच: true से session.tools में x_search जुड़ जाता है, ताकि एजेंट उन पोस्ट को सर्च कर सके; डिफ़ॉल्ट इसे अक्षम रखता है। |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | वे X हैंडल जिनकी पोस्ट शामिल नहीं की जातीं; अधिकतम 20 हैंडल। |
| `tools.x_search.from_date` |  | string \| null | no |  |  | पोस्ट की सबसे शुरुआती तारीख, ISO फ़ॉर्मैट YYYY-MM-DD में दी गई। |
| `tools.x_search.to_date` |  | string \| null | no |  |  | पोस्ट की सबसे नवीनतम तारीख, ISO फ़ॉर्मैट YYYY-MM-DD में दी गई। |
| `enable_safety_checker` |  | boolean | no | `true` |  | यदि कॉलर अधिकृत है, तो false सेट करके स्क्रीनिंग में ढील दी जा सकती है। |

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} | Grok एजेंट का बोला गया जवाब, 24 kHz पर mono WAV के रूप में दिया गया। |
| `text` | string | एजेंट के भाषण के साथ दिया गया टेक्स्ट: खाली स्ट्रिंग से संकेत मिलता है कि Grok ने ट्रांसक्रिप्ट नहीं दिया; अन्यथा, इसमें ट्रांसक्रिप्ट होता है। |
| `duration` | number | उत्पन्न ऑडियो की लंबाई, सेकंड में मापी गई। |

## 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