# Grok Voice API

> ਰਿਕਾਰਡ ਕੀਤੀ ਆਡੀਓ ਕਲਿੱਪ ਸੁਣਨ ਵਾਲਾ ਅਤੇ ਬੋਲੀ ਦੇ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿੱਚ ਜਵਾਬ ਦੇਣ ਵਾਲਾ ਵੌਇਸ ਏਜੰਟ

`audio_url` ਰਾਹੀਂ ਰਿਕਾਰਡਿੰਗ ਭੇਜੋ ਅਤੇ ਏਜੰਟ ਬੋਲੀ ਹੋਈ ਆਡੀਓ ਵਿੱਚ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਜੋ ਇਸਦੀ ਮਿਆਦ ਅਤੇ ਉਪਲਬਧ ਹੋਣ 'ਤੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੇ ਨਾਲ 24 kHz ਮੋਨੋ WAV ਵਜੋਂ ਵਾਪਸ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਵਿਕਲਪਿਕ `prompt` (20000 ਅੱਖਰਾਂ ਤੱਕ) ਵਿਅਕਤੀਗਤ ਰੂਪ ਅਤੇ ਸੰਦਰਭ ਸੈੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ `voice` ਬਿਲਟ-ਇਨ ਵੌਇਸ ਚੁਣਦਾ ਹੈ। `tools` ਆਬਜੈਕਟ ਵੈੱਬ ਖੋਜ, X ਖੋਜ ਜਾਂ ਰਿਮੋਟ MCP ਸਰਵਰ ਸਮਰੱਥ ਕਰ ਸਕਦਾ ਹੈ; ਇਹ ਸਾਰੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਬੰਦ ਹੁੰਦੇ ਹਨ।

- 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/pa/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 |  |  | ਉਪਭੋਗਤਾ ਦੀ ਬੋਲੀ ਲਈ ਆਡੀਓ URL, 10 ਮਿੰਟ ਅਤੇ 50 MB ਤੱਕ ਸੀਮਿਤ। ਆਮ ਆਡੀਓ ਫ਼ਾਰਮੈਟ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ; Grok ਵੱਲੋਂ ਆਡੀਓ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇਸਨੂੰ 24 kHz 'ਤੇ 16-bit ਸੈਂਪਲਾਂ ਵਾਲੇ mono PCM ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ। ਏਜੰਟ ਰਿਕਾਰਡਿੰਗ ਦਾ ਜਵਾਬ ਬੋਲੀ ਰਾਹੀਂ ਦਿੰਦਾ ਹੈ। |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | ਵਿਕਲਪਿਕ ਸਿਸਟਮ ਹਦਾਇਤਾਂ ਜੋ ਗੱਲਬਾਤ ਦਾ ਸੰਦਰਭ ਦਿੰਦੀਆਂ ਹਨ ਅਤੇ Grok ਦੇ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਪਾਤਰ ਦੀ ਥਾਂ ਇੱਕ persona ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ; ਇਨ੍ਹਾਂ ਨੂੰ ਛੱਡਣ 'ਤੇ ਉਹ ਪੂਰਵ-ਨਿਰਧਾਰਤ persona ਕਾਇਮ ਰਹਿੰਦੀ ਹੈ। |
| `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` | ਏਜੰਟ ਦੇ ਜਵਾਬ ਲਈ Grok ਦੀ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਆਵਾਜ਼ ਨੂੰ ਬਦਲਣ ਲਈ ਅੰਦਰੂਨੀ xAI ਆਵਾਜ਼ ਚੁਣੋ; ਇਸਨੂੰ ਖਾਲੀ ਛੱਡਣ 'ਤੇ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਆਵਾਜ਼ ਕਾਇਮ ਰਹਿੰਦੀ ਹੈ। |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | ਸਰਵਰ-ਪੱਖੀ ਵਰਤੋਂ ਲਈ ਏਜੰਟ ਟੂਲ ਕੌਂਫਿਗਰੇਸ਼ਨ; ZDR ਕਾਰਨ typed configuration ਵਿੱਚੋਂ file_search/collections ਬਾਹਰ ਹਨ। ਸਾਰੇ ਟੂਲ ਸ਼ੁਰੂ ਵਿੱਚ ਅਸਮਰੱਥ ਹੁੰਦੇ ਹਨ; ਸਮਰਥਿਤ ਵਿਕਲਪਾਂ ਵਿੱਚ remote MCP tools, web tools ਅਤੇ X tools ਸ਼ਾਮਲ ਹਨ। |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | ਉਹ Remote MCP ਸਰਵਰ ਜਿਨ੍ਹਾਂ ਨਾਲ ਟੂਲ ਚਲਾਉਣ ਲਈ ਮਾਡਲ ਪ੍ਰਦਾਤਾ ਜੁੜਦਾ ਹੈ। |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਵਾਲੀ ਵਿਕਲਪਿਕ ਸੂਚੀ ਕਿ ਇਹ ਸਰਵਰ ਕਿਹੜੇ ਟੂਲ ਨਾਂ ਉਪਲਬਧ ਕਰਵਾਉਂਦਾ ਹੈ। |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | ਸੰਵੇਦਨਸ਼ੀਲ ਅਧਿਕਾਰਕਰਨ ਮੁੱਲ, ਜੋ ਸਿਰਫ਼ ਮਾਡਲ ਪ੍ਰਦਾਤਾ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | ਸਰਵਰ ਸ਼ਾਮਲ ਕਰਨ ਦਾ ਫ਼ਲੈਗ; false ਸਰਵਰ ਨੂੰ ਬਾਹਰ ਕਰਦਾ ਹੈ। |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | MCP ਬੇਨਤੀਆਂ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈਡਰ, ਜੋ ਸਿਰਫ਼ ਮਾਡਲ ਪ੍ਰਦਾਤਾ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ। |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | ਇਹ ਸਰਵਰ ਉਪਲਬਧ ਕਰਵਾਉਂਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦਾ ਵੇਰਵਾ। |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | ਮਾਡਲ ਪ੍ਰਦਾਤਾ ਵੱਲੋਂ ਇਸਦੇ ਟੂਲ ਪਛਾਣਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਨਾਂਵਾਂ ਦੇ ਅੱਗੇ ਲਗਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਸਰਵਰ ਲੇਬਲ। |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | ਕਾਲਰ ਵੱਲੋਂ MCP ਸਰਵਰ ਲਈ ਦਿੱਤਾ ਗਿਆ HTTP(S) ਪਤਾ, ਜਿਸ ਨਾਲ Grok Streaming HTTP/SSE ਟ੍ਰਾਂਸਪੋਰਟ ਰਾਹੀਂ ਰਿਮੋਟ ਤੌਰ 'ਤੇ ਜੁੜਦਾ ਹੈ। |
| `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}` |  | ਪ੍ਰਦਾਤਾ-ਪ੍ਰਬੰਧਿਤ ਵੈੱਬ ਖੋਜ, ਜਦੋਂ ਤੱਕ enabled true ਨਾ ਹੋਵੇ ਅਸਮਰੱਥ ਰਹਿੰਦੀ ਹੈ। |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | ਖੋਜ ਨਤੀਜਿਆਂ ਲਈ ਡੋਮੇਨ ਪਾਬੰਦੀ: ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਜ ਡੋਮੇਨ ਦਿਓ, ਪ੍ਰੋਟੋਕੋਲ ਅਤੇ ਪਾਥ ਹਟਾ ਕੇ। |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | ਵੈੱਬ ਖੋਜਾਂ ਰਾਹੀਂ ਮਿਲੇ ਚਿੱਤਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਏਜੰਟ ਦੀ ਇਜਾਜ਼ਤ। |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | ਏਜੰਟ ਲਈ ਵੈੱਬ-ਖੋਜ ਪਹੁੰਚ: true session.tools ਵਿੱਚ web_search ਜੋੜਦਾ ਹੈ ਅਤੇ ਵੈੱਬ ਖੋਜਾਂ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ; ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ ਇਸਨੂੰ ਅਸਮਰੱਥ ਰੱਖਦਾ ਹੈ। |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | ਖੋਜ ਨਤੀਜਿਆਂ ਵਿੱਚੋਂ ਬਾਹਰ ਰੱਖਣ ਵਾਲੇ ਡੋਮੇਨ, ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਜ ਐਂਟਰੀਆਂ; ਪ੍ਰੋਟੋਕੋਲ ਅਤੇ ਪਾਥ ਹਟਾਏ ਹੋਣ। |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | ਖੋਜ ਨਤੀਜਿਆਂ ਨੂੰ ਭੂਗੋਲਿਕ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਵਿਕਲਪਿਕ ਟਿਕਾਣਾ। |
| `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}` |  | ਪ੍ਰਦਾਤਾ-ਪ੍ਰਬੰਧਿਤ X ਖੋਜ, ਜਦੋਂ ਤੱਕ enabled true ਨਾ ਹੋਵੇ ਅਸਮਰੱਥ ਰਹਿੰਦੀ ਹੈ। |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | ਉਹ X ਹੈਂਡਲ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਪੋਸਟਾਂ ਨਤੀਜਿਆਂ ਵਿੱਚ ਆ ਸਕਦੀਆਂ ਹਨ, ਵੱਧ ਤੋਂ ਵੱਧ 20 ਹੈਂਡਲ। |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | X 'ਤੇ ਮਿਲੇ ਚਿੱਤਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਏਜੰਟ ਦੀ ਇਜਾਜ਼ਤ। |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | X 'ਤੇ ਮਿਲੇ ਵੀਡੀਓਜ਼ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਏਜੰਟ ਦੀ ਇਜਾਜ਼ਤ। |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | X ਪੋਸਟਾਂ ਤੱਕ ਖੋਜ ਰਾਹੀਂ ਪਹੁੰਚ: true session.tools ਵਿੱਚ x_search ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਏਜੰਟ ਉਨ੍ਹਾਂ ਪੋਸਟਾਂ ਨੂੰ ਖੋਜ ਸਕੇ; ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸੈਟਿੰਗ ਇਸਨੂੰ ਅਸਮਰੱਥ ਰੱਖਦੀ ਹੈ। |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X ਹੈਂਡਲ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਪੋਸਟਾਂ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ; ਵੱਧ ਤੋਂ ਵੱਧ 20 ਹੈਂਡਲ। |
| `tools.x_search.from_date` |  | string \| null | no |  |  | ਪੋਸਟਾਂ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੀ ਤਾਰੀਖ, ISO ਫਾਰਮੈਟ YYYY-MM-DD ਵਿੱਚ। |
| `tools.x_search.to_date` |  | string \| null | no |  |  | ਪੋਸਟਾਂ ਲਈ ਸਭ ਤੋਂ ਨਵੀਂ ਤਾਰੀਖ, ISO ਫਾਰਮੈਟ YYYY-MM-DD ਵਿੱਚ। |
| `enable_safety_checker` |  | boolean | no | `true` |  | false ਸੈੱਟ ਕਰਕੇ ਸਕ੍ਰੀਨਿੰਗ ਨੂੰ ਢਿੱਲਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੇ ਕਾਲਰ ਅਧਿਕਾਰਤ ਹੋਵੇ। |

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 ਏਜੰਟ ਵੱਲੋਂ ਬੋਲੀ ਗਈ ਜਵਾਬੀ ਆਡੀਓ, 24 kHz 'ਤੇ mono WAV ਵਜੋਂ। |
| `text` | string | ਏਜੰਟ ਦੀ ਬੋਲੀ ਨਾਲ ਸੰਬੰਧਿਤ ਟੈਕਸਟ: ਖਾਲੀ ਸਤਰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ Grok ਨੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨਹੀਂ ਦਿੱਤਾ; ਨਹੀਂ ਤਾਂ ਇਸ ਵਿੱਚ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਹੁੰਦਾ ਹੈ। |
| `duration` | number | ਤਿਆਰ ਕੀਤੇ ਆਡੀਓ ਦੀ ਲੰਬਾਈ, ਸਕਿੰਟਾਂ ਵਿੱਚ ਮਾਪੀ ਗਈ। |

## 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