コンテンツへスキップ

Grok Voice

統合

モデル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"

1 回の実行につき最大 $1.494 実際の使用量に応じて課金され、残額は返金されます このページで実行

APIキーを取得
xAI 音声 #xai#grok#voice#agent

録音済み音声クリップを聞き、音声と文字起こしで応答する音声エージェント

xAI · 音声

最初の結果がここに表示されます

以下でリクエストを作成し、APIキーで実行してください。出力はストレージにコピーされ、永久保存または無料で7日保存されます。

リクエストを作成

コントロールはモデルスキーマから生成されます。値を変更するとコードと価格が更新されます。

0 / 20000

会話のコンテキストを提供し、Grokのデフォルトの代わりにペルソナを指定する任意のシステム指示。省略するとデフォルトのペルソナが維持されます。

•必須 audio_url
ファイルをドロップ、または

ユーザーの発話用音声URL。最大10分、50 MBです。一般的な音声形式を指定できます。Grokが音声を受け取る前に、24 kHz、16ビットサンプルのモノラルPCMへ変換されます。エージェントは録音に対して音声で応答します。

詳細設定 voice · enable_safety_checker · tools

エージェントの返信でGrokのデフォルトを上書きする組み込みxAI音声を選択します。未設定の場合はデフォルトの音声が維持されます。

デフォルト {"mcp_servers":[],"we...

サーバー側で使用するエージェントツール設定。ZDRのため、型付き設定からfile_search/collectionsを除外します。すべてのツールは無効で開始され、リモートMCPツール、Webツール、Xツールに対応します。

POST /run/xai/grok-voice?wait=20 見積もり → $1.494
# 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"

このリクエストを実行

キーはこのブラウザ内に保持されます。Doitong APIにのみ送信され、「記憶する」にチェックを入れた場合のみlocalStorageに保存されます。 APIキーを取得

Grok Voiceについて

`audio_url` で録音を送信すると、エージェントが音声で回答します。回答は 24 kHz モノラル WAV として返され、利用可能な場合は長さと文字起こしも含まれます。任意の `prompt`(最大 20000 文字)でペルソナとコンテキストを設定し、`voice` で組み込み音声を選択できます。`tools` オブジェクトでウェブ検索、X 検索、リモート MCP サーバーを有効にできます。デフォルトではすべて無効です。

パラメータ

正式名称またはネイティブ名のいずれか一方を送信してください。両方は送信しないでください。 正式名称

名前型 デフォルト許可される値 説明
audio_url必須 audio
型url · audio
ユーザーの発話用音声URL。最大10分、50 MBです。一般的な音声形式を指定できます。Grokが音声を受け取る前に、24 kHz、16ビットサンプルのモノラルPCMへ変換されます。エージェントは録音に対して音声で応答します。
prompt任意
型string | null
≤ 20,000文字
会話のコンテキストを提供し、Grokのデフォルトの代わりにペルソナを指定する任意のシステム指示。省略するとデフォルトのペルソナが維持されます。
voice任意
型enum
carinazaganhelixorionlunairisaltairzenithperseusheliosluxkeplerrigelcosmocelesteursa
さらに12件siriuslumencastornakshatlasauroralioraaraeveleorexsal
エージェントの返信でGrokのデフォルトを上書きする組み込みxAI音声を選択します。未設定の場合はデフォルトの音声が維持されます。
tools任意
型object
デフォルト{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}
サーバー側で使用するエージェントツール設定。ZDRのため、型付き設定からfile_search/collectionsを除外します。すべてのツールは無効で開始され、リモートMCPツール、Webツール、Xツールに対応します。
tools.mcp_servers任意
型object[]
ツール実行のためにモデルプロバイダーが接続するリモートMCPサーバーです。
tools.mcp_servers[].allowed_tools任意
型string[]
≥ 1 items
このサーバーが公開するツール名を指定する任意のリストです。
tools.mcp_servers[].authorization任意
型string | null
モデルプロバイダーにのみ送信される機密性の高い認証値です。
tools.mcp_servers[].enabled任意
型boolean
デフォルトtrue
サーバーの含有フラグ。falseではサーバーを除外します。
tools.mcp_servers[].headers任意
型object | null
MCPリクエスト用の機密ヘッダー。モデルプロバイダーにのみ送信されます。
tools.mcp_servers[].server_description任意
型string | null
≤ 2000 characters
このサーバーが提供する機能の説明です。
tools.mcp_servers[].server_label必須
型string
1 – 128 characters
モデルプロバイダーがツールを識別し、名前に接頭辞を付けるために使用するサーバーラベルです。
tools.mcp_servers[].server_url必須
型string
≥ 1 characters
GrokがStreaming HTTP/SSEトランスポート経由でリモート接続するMCPサーバーの、呼び出し元が指定するHTTP(S)アドレスです。
tools.web_search.allowed_domains任意
型string[]
1 – 5 items
検索結果のドメイン制限。プロトコルとパスを省略し、最大5つのドメインを指定します。
tools.web_search.enable_image_understanding任意
型boolean | null
Web検索で見つかった画像をエージェントが調べる権限です。
tools.web_search.enabled任意
型boolean
デフォルトfalse
エージェントのWeb検索アクセス。trueではsession.toolsにweb_searchを追加してWeb検索を許可し、デフォルトでは無効のままです。
tools.web_search.excluded_domains任意
型string[]
1 – 5 items
検索結果から除外するドメイン。プロトコルとパスを省略し、最大5件です。
tools.web_search.location任意
型object
検索結果を地域に合わせて調整する任意の場所です。
tools.x_search.allowed_x_handles任意
型string[]
1 – 20 items
投稿が結果に表示される可能性のあるXハンドル。最大20件です。
tools.x_search.enable_image_understanding任意
型boolean | null
Xで見つかった画像をエージェントが調べる権限です。
tools.x_search.enable_video_understanding任意
型boolean | null
Xで見つかった動画をエージェントが調べる権限です。
tools.x_search.enabled任意
型boolean
デフォルトfalse
検索によるX投稿へのアクセス。trueではsession.toolsにx_searchを追加してエージェントが投稿を検索できるようにし、デフォルトでは無効のままです。
tools.x_search.excluded_x_handles任意
型string[]
1 – 20 items
投稿を除外するXハンドル。最大20件です。
tools.x_search.from_date任意
型string | null
投稿の最古の日付。ISO形式YYYY-MM-DDで指定します。
tools.x_search.to_date任意
型string | null
投稿の最新の日付。ISO形式YYYY-MM-DDで指定します。
enable_safety_checker任意
型boolean
デフォルトtrue
呼び出し元に権限がある場合、false に設定するとスクリーニングを緩和できます。
必須 正式名称(こちらも使用可能)

ファイルパラメータには、公開されたhttps:// URL、10 MBまでのdata: URI、またはアップロードしたファイルのfile_urlを指定します。 ファイル

出力

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"
  }
}
ファイルの保存期間を選択すべてのoutputs[].urlはストレージ上のコピーです。アカウント設定または?storage=により、永久保存(GB・月単位で有料)または無料で7日保存できます。
すべてのモデルで同じ形式画像、動画、音声のいずれでも、type、url、content_type、width、height、durationが含まれます。outputはモデル独自の結果オブジェクトです。
出力フィールド
audio
object {url, content_type, file_name, file_size}Grokエージェントによる音声応答。24 kHzのモノラルWAVとして提供されます。
text
stringエージェントの発話に付随するテキスト。空の文字列はGrokが文字起こしを提供しなかったことを示し、それ以外の場合は文字起こしが含まれます。
duration
number生成された音声の長さ(秒)。

その他のモデル: 音声

AIエージェント向け:このページのMarkdown版はこちらです: https://doitong.com/ja/developers/models/xai/grok-voice.md. すべてのモデルとガイド: https://doitong.com/developers/llms.txt