Integrace telefonie (Twilio atd.)
Na této stránce
Aktualizováno 3. listopadu 2026 na základě dokumentace Realtime API: formát G.711 μ-law se nazývá
audio/pcmu(dříve uváděný názevg711_ulawbyl pouze beta označení). Zdroj: Realtime API.
Aktualizace z 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttspřestanou fungovat 6. ledna 2027 (uvedenou náhradou jegpt-realtime-2.1-mini, který však podle průvodce OpenAI TTS nepodporuje/v1/audio/speech: migrace syntézy řeči musí proběhnout přes Realtime API); modelygpt-realtime,gpt-4o-realtimea starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translationsskončí 26. února 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pro plně duplexní hlas je GPT-Live 1 dostupné v API od 10. září 2026.
Integrace telefonie (Twilio atd.)
Hlasový agent je skutečně užitečný až tehdy, když je dostupný po telefonu. Cloudové telefonní platformy jako Twilio, LiveKit a Daily ti umožňují propojit Realtime API s globální telefonní sítí. Uživatel vytočí číslo a tvůj agent odpoví v reálném čase.
Architektura telefonie
Integrace telefonie přidává vrstvu mezi telefonní síť a Realtime API:
Příchozí hovor → Twilio
Uživatel vytočí telefonní číslo. Twilio hovor přijme a odešle webhook na tvůj server.
Tvůj server → Datový proud médií
Tvůj server odpoví instrukcemi TwiML, které otevřou obousměrný WebSocket pro datový proud médií (Media Stream).
Datový proud médií ↔ Realtime API
Tvůj server přeposílá zvuk mezi datovým proudem Twilio Media Stream a OpenAI Realtime API.
Hlasová odpověď → Uživatel
Zvuková odpověď z Realtime API je odeslána zpět přes Twilio na uživatelův telefon.
Implementace s Twilio
Webhook pro příchozí hovory
Když dorazí hovor, Twilio odešle na tvůj server požadavek HTTP. Ty odpovíš pomocí TwiML, které otevře datový proud médií (Media Stream):
from fastapi import FastAPI, Request
from fastapi.responses import Response
app = FastAPI()
@app.post("/incoming-call")
async def incoming_call(request: Request):
"""Twilio webhook for incoming calls."""
twiml = """<?xml version="1.0" encoding="UTF-8"?>
<Response>
<Say language="en-US">
Welcome to Corsen AI. Connecting you to your voice assistant.
</Say>
<Connect>
<Stream url="wss://your-server.com/media-stream">
<Parameter name="caller" value="{caller_number}" />
</Stream>
</Connect>
</Response>"""
form_data = await request.form()
caller = form_data.get("From", "unknown")
twiml = twiml.replace("{caller_number}", caller)
return Response(content=twiml, media_type="application/xml")
Most mezi datovým proudem médií a Realtime API
WebSocket server přijímá zvuk od Twilia a přeposílá jej do Realtime API:
from fastapi import WebSocket
import websockets
import json
import base64
import audioop
import asyncio
OPENAI_API_KEY = "sk-..."
REALTIME_URL = "wss://api.openai.com/v1/realtime?model=gpt-realtime-2.1"
@app.websocket("/media-stream")
async def media_stream(twilio_ws: WebSocket):
"""Bridge between Twilio Media Stream and the Realtime API."""
await twilio_ws.accept()
# Connect to the Realtime API
headers = {
"Authorization": f"Bearer {OPENAI_API_KEY}"
}
async with websockets.connect(REALTIME_URL, additional_headers=headers) as openai_ws:
await openai_ws.recv() # session.created
# Configure the session
await openai_ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"instructions": "You are a phone assistant. "
"Respond in English, concisely.",
"audio": {
"input": {
"format": {"type": "audio/pcmu"},
"turn_detection": {
"type": "server_vad",
"threshold": 0.5,
"silence_duration_ms": 600
}
},
"output": {
"format": {"type": "audio/pcmu"},
"voice": "marin"
}
}
}
}))
await openai_ws.recv()
stream_sid = None
async def twilio_to_openai():
nonlocal stream_sid
async for message in twilio_ws.iter_text():
data = json.loads(message)
if data["event"] == "media":
audio_b64 = data["media"]["payload"]
await openai_ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
elif data["event"] == "start":
stream_sid = data["start"]["streamSid"]
async def openai_to_twilio():
async for message in openai_ws:
event = json.loads(message)
if event["type"] == "response.output_audio.delta":
await twilio_ws.send_json({
"event": "media",
"streamSid": stream_sid,
"media": {
"payload": event["delta"]
}
})
await asyncio.gather(twilio_to_openai(), openai_to_twilio())
Zvukový formát G.711
Telefonie využívá formát G.711 μ-law (8 kHz, jeden bajt na vzorek). Realtime API tento formát podporuje nativně pod názvem audio/pcmu, který deklaruješ jak pro vstup, tak pro výstup (audio.input.format a audio.output.format, jak je uvedeno v kódu výše). Tím se vyhneš jakékoli konverzi na straně serveru. Název g711_ulaw patřil beta verzi API; ekvivalent A-law se nazývá audio/pcma.
Alternativy k Twilio
| Platforma | Silná stránka | Integrace s Realtime API |
|---|---|---|
| Twilio | Kompletní ekosystém, čísla ve více než 100 zemích | Nativní WebSocket Media Streams |
| LiveKit | Open source, nízká latence, WebRTC | Oficiální plugin OpenAI |
| Daily | Jednoduché, hostované, vhodné pro prototypování | Pipecat SDK s konektorem Realtime |
Klíčové poznatky
- Twilio Media Streams ti umožňují propojit telefonní hovor s obousměrným WebSocketem
- Tvůj server funguje jako most mezi datovým proudem Twilio Media Stream a OpenAI Realtime API
- Formát G.711 μ-law je pro telefonii nativní a Realtime API jej přímo podporuje
- LiveKit (open source, WebRTC) a Daily (hostované) jsou životaschopné alternativy k Twilio
- Architektura je vždy stejná: telefonie → tvůj server → Realtime API