# Grok STT API: precio, endpoint, streaming y ruta correcta en abril de 2026

> Grok STT ya funciona como API independiente de xAI: REST para archivos, WebSocket para live audio y Voice Agent API solo para conversación hablada.

- URL: https://blog.laozhang.ai/es/posts/grok-speech-to-text-api
- Published: 2026-04-20
- Updated: 2026-04-20
- Author: LaoZhang AI Team (https://blog.laozhang.ai/es/about)
- Topic: Guías de API
- Tags: Grok STT API, xAI, voz a texto, API de transcripción, WebSocket

---
A 20 de abril de 2026, xAI ya ofrece Grok STT como API independiente para convertir audio en texto. Los archivos y audio URL usan `POST https://api.x.ai/v1/stt`; live audio usa `wss://api.x.ai/v1/stt`. El precio público es `$0.10 / hour` para REST batch y `$0.20 / hour` para realtime WebSocket. Voice Agent API solo corresponde cuando el producto necesita una conversación hablada de ida y vuelta.

## Contrato práctico

| Decisión | Respuesta pública |
| --- | --- |
| model id | `grok-stt` |
| archivos o URL | `POST https://api.x.ai/v1/stt` |
| live audio | `wss://api.x.ai/v1/stt` |
| REST price | `$0.10 / hour` |
| Streaming price | `$0.20 / hour` |
| región visible | `us-east-1` |
| límites públicos | 600 REST RPM, 10 WebSocket RPS, 100 streaming sessions per team |
| inicio recomendado | REST para audio existente; WebSocket solo si el texto debe llegar en vivo |

La información se verificó el 20 de abril de 2026 con el anuncio de xAI, la página del modelo Speech to Text, la guía de implementación, la referencia de voice y la página de Voice API. Antes de producción, valida la consola de tu cuenta porque disponibilidad, límites y permisos pueden variar.

![Mapa de Grok STT API con endpoints, precio, límites y rutas](https://blog.laozhang.ai/posts/es/grok-speech-to-text-api/img/cover.png)

## No es precio por tokens ni plan mensual

Grok STT se cotiza públicamente por hora de audio. Eso es distinto del precio por tokens de modelos Grok y distinto de los planes de la app de Grok. Si el trabajo consiste en transcribir llamadas, reuniones o audios subidos, calcula minutos de audio, no input/output tokens.

REST es la ruta natural para grabaciones existentes. WebSocket es la ruta para subtítulos en vivo, dictado, monitoreo de llamadas o interfaces que reaccionan mientras la persona sigue hablando.

## REST para archivos

REST es el primer experimento razonable: menor precio público y forma de request sencilla.

```bash
curl https://api.x.ai/v1/stt \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -F model=grok-stt \
  -F file=@meeting.wav \
  -F format=json \
  -F language=es
```

Mantén la API key en backend, server-side job o relay controlado. No la pongas en un grabador de navegador, app móvil o notebook público. Si necesitas timestamps, diarization, multichannel or formatting, defínelo según el workflow que consumirá el transcript.

## WebSocket para tiempo real

Usa WebSocket cuando la latencia del transcript cambia la experiencia. Endpoint:

```text
wss://api.x.ai/v1/stt
```

La ruta envía binary audio frames, marca el final con `audio.done` y recibe interim and final transcript events.

![Flujo de WebSocket desde audio frames hasta audio.done y transcript events](https://blog.laozhang.ai/posts/es/grok-speech-to-text-api/img/streaming-flow.png)

Esto obliga a diseñar buffering, reconnect, corrección de texto provisional, guardado del texto final y comportamiento de UI. Si el audio puede procesarse después, REST suele ser mejor punto de partida.

## Precio, límites y cuenta

| Ruta | Precio público | Mejor uso |
| --- | --- | --- |
| REST batch STT | `$0.10 / hour` | archivos, grabaciones, trabajos async |
| WebSocket STT | `$0.20 / hour` | subtítulos en vivo, dictado, monitoreo |

![Precios y límites públicos de Grok STT](https://blog.laozhang.ai/posts/es/grok-speech-to-text-api/img/pricing-limits.png)

La documentación pública también muestra `us-east-1`, 600 REST RPM, 10 WebSocket RPS, 100 streaming sessions per team y archivos de hasta 500 MB en la guía de implementación. Trátalo como superficie pública, no como garantía para cada cuenta.

## STT, Voice Agent API, TTS y GroqCloud

![Mapa de rutas entre STT REST, STT WebSocket, Voice Agent API, TTS y GroqCloud](https://blog.laozhang.ai/posts/es/grok-speech-to-text-api/img/route-map.png)

Grok STT REST transcribe audio existente. Grok STT WebSocket transcribe audio en vivo. Voice Agent API corresponde cuando la persona habla con un agente y el agente responde por voz; para ese caso está el sibling [Grok Voice Agent API](https://blog.laozhang.ai/es/posts/grok-voice-agent-api).

TTS convierte texto en audio, así que resuelve la dirección opuesta. GroqCloud es otro proveedor con spelling parecido; no comparte endpoints ni contrato con xAI Grok STT.

## Checklist de producción

Prueba audios reales: llamadas, reuniones, acentos, ruido, varias voces, términos de dominio, archivos largos y mezcla de idiomas. Mide diarization, timestamps, retries, partial transcripts, reconexión y costo por ruta. Compara REST con tu proveedor actual usando los mismos audios antes de añadir streaming.

## Preguntas frecuentes

### ¿Grok tiene una API separada para voz a texto?

Sí. A 20 de abril de 2026, xAI publica rutas REST y WebSocket para `grok-stt`.

### ¿Cuál es el endpoint REST?

`POST https://api.x.ai/v1/stt` con `model=grok-stt`.

### ¿Cuál es el endpoint realtime?

`wss://api.x.ai/v1/stt` con binary audio frames y `audio.done`.

### ¿Cuánto cuesta?

La superficie pública indica `$0.10 / hour` para REST batch y `$0.20 / hour` para realtime WebSocket.

### ¿Es lo mismo que Voice Agent API?

No. STT convierte audio en texto. Voice Agent API crea una conversación hablada en vivo.