Загрузи PDF — и по нему можно позвонить и спросить голосом

Смотри, идея на одну строку: ты загружаешь свой PDF — расписание, инструкцию, конспект — получаешь телефонный номер, и любой может позвонить и голосом спросить то, что в этом файле. Агент отвечает вслух. Не текстом в чате — настоящим голосом в трубке.

И тут самое интересное — год назад так просто не вышло бы. «Голосовой помощник по моему документу» раньше значил: распознавание речи, потом модель, потом синтез голоса, потом телефония — недели сборки. 1 июля xAI выпустила Grok Voice Agent Builder: без кода, прямо в браузере, за пару минут. Дают бесплатный номер, 25+ языков, отвечает почти мгновенно даже с шумом, $0.05 за минуту. Вся сборка — загрузить файл и написать пару строк, кто этот агент.

Почему именно это

Это первый проект, который живёт в реальном звонке, а не на экране. И он сразу личный: номер для гостей свадьбы (во сколько сбор, где парковка — из твоего PDF), устный тренажёр по конспекту (звонишь — тебя гоняют по билетам), «инструкция к квартире» для гостей (как включить бойлер, где мусор). Скучную бумажку ты превращаешь в того, кому можно позвонить.

Чему научишься

• Голос как интерфейс. Ввод и вывод — речь, а не текст. Ты впервые собираешь штуку, с которой разговаривают, а не печатают ей.
• Знание = твой файл. Агент отвечает не «из головы», а строго по загруженному PDF. Это RAG в самой простой форме — и это ограничение здесь фича: меньше выдумок, больше правды.
• Системный промпт агента. Кто он, о чём говорит, каким тоном и — главное — что делает, когда ответа в файле нет. Один абзац инструкции решает, будет агент полезным или начнёт сочинять.

Готовый стартовый промпт

Не пиши агенту «отвечай на вопросы по документу» — он начнёт отвечать и на те, которых в файле нет, и выдумывать. Задай роль, границы и поведение при незнании:

Сильный промпт задаёт роль, чёткие границы («только по PDF») и запасной ход на случай «не знаю» — и агент не сочиняет то, чего в файле нет. Именно этот абзац отделяет полезного помощника от болтуна.

Что в итоге

Ты даёшь гостям один номер. Кто-то звонит в одиннадцать вечера: «а во сколько сбор и где парковаться?» — и агент спокойно отвечает голосом, по твоему PDF, на языке звонящего. Ты не поднял трубку ни разу, никого не отвлёк — а на все вопросы уже ответили. Из обычного файла ты собрал того, кому звонят.

Начни с одного файла, доведи до живого звонка — и у тебя будет не «ещё один чат-бот», а голос, которому реально звонят.

Источник: xAI — Grok Voice Agent Builder