# Grok Voice API

> وائس ایجنٹ جو ریکارڈ شدہ آڈیو کلپ سنتا ہے اور تقریر کے ساتھ جواب اور نقل فراہم کرتا ہے

`audio_url` کے ذریعے ریکارڈنگ بھیجیں، اور ایجنٹ بولی گئی آڈیو میں جواب دیتا ہے، جو 24 kHz مونو WAV کے طور پر اس کے دورانیے اور دستیاب ہونے پر ٹرانسکرپٹ کے ساتھ واپس آتی ہے۔ اختیاری `prompt` (زیادہ سے زیادہ 20000 حروف) شخصیت اور سیاق مقرر کرتا ہے، جبکہ `voice` بلٹ اِن آواز منتخب کرتا ہے۔ `tools` آبجیکٹ ویب سرچ، X سرچ یا ریموٹ MCP سرورز فعال کر سکتا ہے؛ سب کا ڈیفالٹ آف ہے۔

- 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/ur/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 |  |  | صارف کی تقریر کا آڈیو URL، زیادہ سے زیادہ 10 منٹ اور 50 MB۔ عام آڈیو formats فراہم کیے جا سکتے ہیں؛ Grok کو آڈیو ملنے سے پہلے اسے 24 kHz پر 16-bit samples کے ساتھ mono PCM میں تبدیل کیا جاتا ہے۔ ایجنٹ recording کا جواب تقریر کے ساتھ دیتا ہے۔ |
| `prompt` |  | string \| null | no |  | ≤ 20000 characters | اختیاری system instructions جو گفتگو کا context فراہم کرتی اور Grok کے ڈیفالٹ persona کی جگہ persona متعین کرتی ہیں؛ انہیں نہ دینے پر وہ ڈیفالٹ persona برقرار رہتا ہے۔ |
| `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` | ایجنٹ کے جواب کے لیے Grok کے ڈیفالٹ کو override کرنے والی built-in xAI voice منتخب کریں؛ اسے unset رکھنے پر ڈیفالٹ voice برقرار رہتی ہے۔ |
| `tools` |  | object {mcp_servers, web_search, x_search} | no | `{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}` |  | سرور سائیڈ استعمال کے لیے ایجنٹ tool configuration؛ ZDR کی وجہ سے typed configuration سے file_search/collections خارج ہیں۔ تمام tools ابتدا میں disabled ہوتے ہیں؛ supported options میں remote MCP tools، web tools اور X tools شامل ہیں۔ |
| `tools.mcp_servers` |  | array of object {allowed_tools, authorization, enabled, headers, server_description, server_label, server_url} | no |  |  | وہ remote MCP servers جن سے tool execution کے لیے ماڈل provider جڑتا ہے۔ |
| `tools.mcp_servers[].allowed_tools` |  | array of string \| null | no |  | ≥ 1 items | اختیاری فہرست جو متعین کرتی ہے کہ یہ server کون سے tool names expose کرتا ہے۔ |
| `tools.mcp_servers[].authorization` |  | string \| null | no |  |  | حساس authorization value جو صرف ماڈل provider کو بھیجی جاتی ہے۔ |
| `tools.mcp_servers[].enabled` |  | boolean | no | `true` |  | Server inclusion flag؛ false server کو خارج کرتا ہے۔ |
| `tools.mcp_servers[].headers` |  | object \| null | no |  |  | MCP درخواستوں کے لیے حساس headers، جو صرف ماڈل provider کو بھیجے جاتے ہیں۔ |
| `tools.mcp_servers[].server_description` |  | string \| null | no |  | ≤ 2000 characters | اس server کی فراہم کردہ capabilities کا خاکہ۔ |
| `tools.mcp_servers[].server_label` |  | string | yes |  | 1 – 128 characters | وہ server label جسے ماڈل provider اپنے tools کی شناخت اور ان کے names کے prefix کے لیے استعمال کرتا ہے۔ |
| `tools.mcp_servers[].server_url` |  | string | yes |  | ≥ 1 characters | caller کی فراہم کردہ HTTP(S) address، جس سے Grok Streaming HTTP/SSE transports کے ذریعے remote MCP server سے جڑتا ہے۔ |
| `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}` |  | Provider-managed web search، enabled کے true ہونے تک disabled۔ |
| `tools.web_search.allowed_domains` |  | array of string \| null | no |  | 1 – 5 items | Search results کے لیے domain restriction: زیادہ سے زیادہ پانچ domains متعین کریں، protocols اور paths کے بغیر۔ |
| `tools.web_search.enable_image_understanding` |  | boolean \| null | no |  |  | ایجنٹ کو web searches کے ذریعے دریافت ہونے والی تصاویر کا جائزہ لینے کی اجازت۔ |
| `tools.web_search.enabled` |  | boolean | no | `false` |  | ایجنٹ کے لیے web-search رسائی: true، session.tools میں web_search شامل کرتا اور web searches کی اجازت دیتا ہے؛ ڈیفالٹ اسے disabled رکھتا ہے۔ |
| `tools.web_search.excluded_domains` |  | array of string \| null | no |  | 1 – 5 items | Search results سے خارج کیے جانے والے domains، زیادہ سے زیادہ پانچ entries؛ protocols اور paths کے بغیر۔ |
| `tools.web_search.location` |  | object {city, country, region, timezone} \| null | no |  |  | جغرافیائی طور پر search results کو حسبِ ضرورت بنانے کے لیے اختیاری location۔ |
| `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}` |  | Provider-managed X search، enabled کے true ہونے تک disabled۔ |
| `tools.x_search.allowed_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X handles جن کی posts نتائج میں ظاہر ہو سکتی ہیں، زیادہ سے زیادہ 20 handles۔ |
| `tools.x_search.enable_image_understanding` |  | boolean \| null | no |  |  | ایجنٹ کو X پر دریافت ہونے والی تصاویر کا جائزہ لینے کی اجازت۔ |
| `tools.x_search.enable_video_understanding` |  | boolean \| null | no |  |  | ایجنٹ کو X پر دریافت ہونے والی ویڈیوز کا جائزہ لینے کی اجازت۔ |
| `tools.x_search.enabled` |  | boolean | no | `false` |  | Search کے ذریعے X posts تک رسائی: true، session.tools میں x_search شامل کرتا ہے تاکہ ایجنٹ ان posts کو search کر سکے؛ ڈیفالٹ اسے disabled رکھتا ہے۔ |
| `tools.x_search.excluded_x_handles` |  | array of string \| null | no |  | 1 – 20 items | X handles جن کی posts خارج کی جاتی ہیں، زیادہ سے زیادہ 20 handles۔ |
| `tools.x_search.from_date` |  | string \| null | no |  |  | Posts کے لیے ابتدائی تاریخ، ISO format YYYY-MM-DD میں۔ |
| `tools.x_search.to_date` |  | string \| null | no |  |  | Posts کے لیے آخری تاریخ، ISO format YYYY-MM-DD میں۔ |
| `enable_safety_checker` |  | boolean | no | `true` |  | false سیٹ کر کے اسکریننگ نرم کی جا سکتی ہے، بشرطیکہ کال کرنے والا مجاز ہو۔ |

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 ایجنٹ کا بول کر دیا گیا جواب، 24 kHz پر mono WAV کے طور پر فراہم کیا جاتا ہے۔ |
| `text` | string | ایجنٹ کی گفتگو کے ساتھ موجود متن: خالی سٹرنگ اس بات کی نشاندہی کرتی ہے کہ Grok نے ٹرانسکرپٹ فراہم نہیں کیا؛ بصورتِ دیگر، اس میں ٹرانسکرپٹ شامل ہوتا ہے۔ |
| `duration` | number | تیار کردہ آڈیو کی لمبائی، سیکنڈ میں۔ |

## 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