SIP телефония и интеграция с LiveKit
На тази страница
Обновено на 3 ноември 2026 г., въз основа на ръководството на xAI SIP Phone Calls, страницата Voice и примера от готварската книга Phone Voice Agent. xAI може да отговаря на обаждания към Вашия номер директно през SIP, с поддръжка на прехвърляне на разговори, затваряне на линията и въвеждане чрез DTMF клавиатура. Източници: SIP Phone Calls · Voice · Phone Voice Agent.
Свързване на Grok с телефонната мрежа
Гласовият агент не е ограничен само до уеб и мобилни приложения. Вашият асистент може да отговаря на обикновен телефонен номер: клиентите се обаждат от стационарен или мобилен телефон, а агентът на Grok вдига слушалката. Обаждащите се нямат нужда да инсталират нищо, което прави огромна разлика за по-възрастните клиенти или за райони с лошо покритие на мобилния интернет.
Три начина за свързване
Директен SIP, стандартът за гласова комуникация през IP (VoIP), е най-интегрираната опция. Вие регистрирате номера си в xAI, Вашият оператор пренасочва обажданията към SIP адреса на xAI, а xAI уведомява Вашето приложение с подписан уебхук за всяко входящо обаждане; след това Вашето приложение се присъединява към разговора през WebSocket. Ръководството на xAI описва стъпка по стъпка настройката за Twilio, Bandwidth, Telnyx и Plivo, както и за всеки оператор или PBX система, които могат да отворят SIP маршрут до този номер.
Мост чрез Ваш собствен сървър е подходящ за екипи, които искат да запазят контрол върху аудио потока. Вашият сървър получава аудио данните от разговора (например чрез Twilio Media Streams, както в примера Phone Voice Agent от готварската книга на xAI) и ги препраща към обикновена WebSocket сесия.
Frameworks за работа в реално време: накрая, документацията на xAI изброява LiveKit и Pipecat сред съществуващите интеграции. Те се грижат за транспорта в реално време и маршрутизацията на обажданията, което ги прави най-краткия път за екип, който не иска да изгражда собствен слой за телефония.
Конфигуриране на аудиото за телефона
При директен SIP не е необходимо да се притеснявате за това: xAI препредава аудиото на обаждащия се в сесията и възпроизвежда гласа на агента обратно към него. При мост обаче форматът има значение. Телефонната мрежа работи с теснолентово аудио със свои собствени кодеци, а Гласовият агент ги приема нативно, което избягва всякакво транскодиране.
G.711 μ-law, деклариран като audio/pcmu, работи на 8000 Hz; това е стандартът в телефонията в Северна Америка и Япония. G.711 A-law, деклариран като audio/pcma, има същите характеристики и доминира в европейската и международната телефония. Следователно изборът зависи от това къде оперира Вашият оператор, а не от лични предпочитания.
{
"type": "session.update",
"session": {
"voice": "ara",
"instructions": "You are the phone assistant for Miller & Sons. Answer professionally and concisely.",
"audio": {
"input": { "format": { "type": "audio/pcma", "rate": 8000 } },
"output": { "format": { "type": "audio/pcma", "rate": 8000 } }
},
"turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
}
}
Откриването на смяна на говорещия (turn detection) все още се управлява от сървъра, без праг за настройка. Настройката, която има значение при телефонните разговори, е idle_timeout_ms: ако обаждащият се замълчи за толкова дълго време след отговор, агентът проверява връзката, вместо да остави линията в тишина.
Какво добавя директният SIP
Три функции съществуват само при директния SIP път. Първо, прехвърляне: POST /v1/realtime/calls/{call_id}/refer изпраща обаждащия се към телефонен номер (tel:) или SIP адрес (sip:), а HTTP отговорът Ви информира дали дестинацията е отговорила; ако операцията се провали, обаждащият се остава на линия с агента. Второ, затваряне на разговора, чрез POST /v1/realtime/calls/{call_id}/hangup. Трето, въвеждане от клавиатура: цифрите, които обаждащият се натиска, достигат до модела като текст (след #, след 2,5 секунди без натискане на нов клавиш или веднага щом обаждащият се заговори), а инструментът send_dtmf позволява на агента сам да натиска клавиши, например за навигация в телефонното меню на друга услуга.
Какво можете да изградите с това
Автоматизираната централа е първата възможност. Агентът поздравява обаждащите се от името на компанията, разбира от какво имат нужда, докато разговорът се развива, и след това или ги прехвърля към правилния отдел с refer, или обработва простите заявки самостоятелно. За разлика от телефонните менюта тип «натиснете 1 за продажби», обаждащите се описват проблема си със свои думи, вместо да се движат през дървовидна структура, а ако предпочитат клавиатурата, DTMF функцията все още е на разположение.
Горещата линия за техническа поддръжка отива още по-далеч. Агентът диагностицира проблема чрез поредица от въпроси, дава инструкции стъпка по стъпка, създава тикет чрез извикване на функции и прехвърля към човешки техник, когато случаят е извън неговите възможности. Възобновяването на сесията дори позволява разговорът да продължи, ако клиентът се обади отново в рамките на 30 минути, стига да сте активирали възобновяването и да можете да извлечете ID на първото обаждане.
Специфични изисквания за телефона
Латентността е най-важният фактор. Забележимо забавяне кара обаждащите се да говорят едновременно с агента и разговорът се разпада. Три лоста поддържат това под контрол: избягвайте транскодирането, хоствайте приложението си възможно най-близо до Вашия оператор и поддържайте функциите, които агентът извиква, бързи, тъй като една единствена заявка към бавна CRM система може да провали целия бюджет за латентност. Измервайте забавянето от край до край при реални обаждания, вместо да разчитате на бенчмарк фигури.
Следва съответствието с регулациите, което не подлежи на преговори. Информирайте обаждащите се, че говорят с изкуствен интелект, и ако разговорът се записва, уведомете ги за това в началото. Третирайте транскрипциите и записите като лични данни съгласно GDPR, с дефинирани периоди на съхранение и процес на изтриване, който действително работи.
Накрая, планирайте откази, защото те ще се случат. Резервно съобщение трябва да поеме, ако Гласовият агент е недостъпен, в противен случай клиентите Ви ще се сблъскат с мъртва линия. Прехвърляне към човек трябва да се активира след два или три последователни случая на неразбиране. А воденето на логове на транскрипциите Ви дава материал, за да откриете повтарящи се грешки и да усъвършенствате инструкциите си.
Ключови изводи
- Три опции: директен SIP с xAI, мост чрез Вашия сървър или framework като LiveKit или Pipecat
- При директен SIP, xAI отговаря на обаждането, уведомява Вашето приложение с подписан уебхук и поддържа прехвърляне, затваряне на линията и DTMF клавиши
- При мост, кодеците G.711 (
audio/pcmu,audio/pcma) на 8000 Hz избягват транскодирането - Откриването на смяна на говорещия няма праг за настройка;
idle_timeout_msподканва замълчалия обаждащ се - Съответствието (информиране на обаждащите се, уведомления за запис, GDPR) е задължително в телефонията