用途：为已有应用添加 Grok 实时语音（Speech to Speech），在用户运行 /add-voice、输入 Voice Mode 或明确要求添加 Grok 语音时触发。目标是打通双向通路：应用麦克风输入、音频输出，连接 wss://api.x.ai/v1/realtime?model=grok-voice-latest，并保证鉴权安全。Cursor 本身没有原生麦克风，需接入应用或示例客户端，而非 IDE。
主要能力：以语言无关的事件循环为先，默认提供 TypeScript 示例，仅在客户端 API 不同处（如 ws 与 websockets）给出简短 Python 版本。可识别应用现有栈（无、OpenAI Realtime、STT→LLM→TTS 级联、仅 TTS/STT），若存在级联或 OpenAI Realtime 则替换为单一双向循环，保留独立 /v1/stt 或 /v1/tts 仅在产品仍需一次性听/说时。支持工具调用：web_search、x_search、file_search、mcp、自定义函数。
使用方式：服务端用 Bearer XAI_API_KEY；浏览器/移动端由后端 POST https://api.x.ai/v1/realtime/client_secrets 获取临时令牌，客户端用 Bearer 或 sec-websocket-protocol: xai-client-secret.<token>。连接后发送 session.update 设置 voice（默认 eve）、instructions、turn_detection（server_vad 或 null 用于按键说话）、PCM 24 kHz。需设置 audio.input.transcription.model 为 grok-transcribe，否则无用户转写。音频侧每会话一个 AudioContext，在用户手势内创建；麦克风经 AudioWorklet 约 100 ms 分块发送 input_audio_buffer.append；播放 response.output_audio.delta 时预留约 150 ms 提前量，speech_started 时停止队列实现打断。
适用场景：需要为 Web、Node、iOS、Android 或服务端应用加入实时语音对话，或替换现有语音级联。
限制：不覆盖仅语音转文字（/add-dictation）、文本朗读（/add-read-aloud）、图像生成与纯文本推理；不得编造端点、事件或 CLI 标志。定价仅引用文档：约 $0.08/分钟 STS 加 $0.004/文本项，单会话最长 120 分钟。首次人工测试前建议运行 /debug-voice 安装开发日志。用扬声器会产生回声，非循环缺陷。