Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Telefonie SIP a integrace s LiveKit

Lekce 12 z 14 Aktualizováno 3. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Připojení Groka k telefonní síti
  2. Tři způsoby připojení
  3. Nastavení zvuku pro telefon
  4. Co přidává přímý SIP
  5. Co s tím můžeš vytvořit
  6. Požadavky specifické pro telefonii
  7. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě průvodce xAI SIP Phone Calls, stránky Voice a příkladu z kuchařky Phone Voice Agent. xAI dokáže přijímat hovory na vaše číslo přímo přes protokol SIP s podporou přepojení hovorů, zavěšení a zadávání tónové volby (DTMF). Zdroje: SIP Phone Calls · Voice · Phone Voice Agent.

Připojení Groka k telefonní síti

Hlasový agent není omezen pouze na webové a mobilní aplikace. Tvůj asistent může přijímat hovory na běžné telefonní číslo: zákazníci mu zavolají z pevné linky nebo mobilu a agent Grok hovor zvedne. Volající nemusí nic instalovat, což je zásadní rozdíl pro starší zákazníky nebo oblasti se špatným pokrytím mobilním internetem.

Tři způsoby připojení

Přímý SIP, standard pro hlas přes IP (VoIP), je nejvíce integrovanou možností. Své číslo zaregistruješ u xAI, tvůj operátor směruje hovory na SIP adresu xAI a xAI upozorní tvou aplikaci podepsaným webhookem při každém příchozím hovoru; tvá aplikace se následně připojí k hovoru přes WebSocket. Průvodce od xAI provádí nastavením pro služby Twilio, Bandwidth, Telnyx a Plivo a pro jakéhokoli operátora nebo ústřednu (PBX), která dokáže otevřít SIP trasu k danému číslu.

Most přes vlastní server vyhovuje týmům, které si chtějí ponechat kontrolu nad zvukovým streamem. Tvůj server přijme zvuk hovoru (například Twilio Media Streams, jak ukazuje příklad Phone Voice Agent v kuchařce xAI) a předá jej do běžné relace WebSocket.

Rychlé frameworky jsou třetí možností: dokumentace xAI uvádí mezi existujícími integracemi LiveKit a Pipecat. Tyto nástroje řeší přenos v reálném čase a směrování hovorů, což z nich dělá nejkratší cestu pro týmy, které nechtějí budovat vlastní telefonní vrstvu.

Nastavení zvuku pro telefon

U přímého SIP se nemusíš o nic starat: xAI předá zvuk volajícího do relace a přehraje mu hlas agenta zpět. U mostu však záleží na formátu. Telefonní síť funguje na úzkopásmovém audiu s vlastními kodeky a Hlasový agent je přijímá nativně, čímž se vyhne jakékoli překódování.

G.711 μ-law, deklarovaný jako audio/pcmu, běží na 8000 Hz; je standardem v severoamerické a japonské telefonii. G.711 A-law, deklarovaný jako audio/pcma, má stejné vlastnosti a dominuje evropské a mezinárodní telefonii. Volíš tedy podle toho, kde působí tvůj operátor, nikoli podle osobní preference.

{
  "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 }
  }
}

Detekci střídání řeči stále zpracovává server, není třeba ladit žádný práh. Nastavením, na kterém u telefonu záleží, je idle_timeout_ms: pokud volající po odpovědi agenta po tuto dobu mlčí, agent se znovu ozve, místo aby nechal linku tichou.

Co přidává přímý SIP

Tři funkce existují pouze na cestě přímého SIP. Za prvé, přepojení: POST /v1/realtime/calls/{call_id}/refer přesměruje volajícího na telefonní číslo (tel:) nebo SIP adresu (sip:) a HTTP odpověď ti sdělí, zda cíl hovor přijal; pokud selže, volající zůstane na lince s agentem. Za druhé, zavěšení pomocí POST /v1/realtime/calls/{call_id}/hangup. Za třetí, vstup z klávesnice: číslice, které volající zmáčkne, dorazí k modelu jako text (po stisku #, po 2,5 sekundy bez stisku další klávesy nebo jakmile volající začne mluvit) a nástroj send_dtmf umožňuje agentovi samotnému mačkat klávesy, například pro navigaci v telefonním menu jiné služby.

Co s tím můžeš vytvořit

Na prvním místě je automatizovaná ústředna. Agent pozdraví volající jménem firmy, zjistí, co potřebují, jak konverzace probíhá, a poté je buď přepojí na správné oddělení pomocí refer, nebo jednoduché požadavky vyřídí sám. Na rozdíl od telefonního menu „stiskněte 1 pro prodej“ popisují volající svůj problém vlastními slovy místo procházení stromem nabídek, a pokud preferují klávesnici, DTMF je stále k dispozici.

Linka technické podpory jde ještě dál. Agent diagnostikuje problém sérií otázek, poskytne pokyny krok za krokem, vytvoří ticket prostřednictvím volání funkcí a v případě, že problém přesahuje jeho kompetence, přepojí hovor na lidského technika. Obnovení relace dokonce umožňuje pokračovat v konverzaci, pokud zákazník zavolá zpět do 30 minut, za předpokladu, že jsi povolil obnovení a můžeš získat ID prvního hovoru.

Požadavky specifické pro telefonii

Latence je nadřazena všemu ostatnímu. Znátelné zpoždění donutí volající skákat agentovi do řeči a konverzace se rozpadne. Tři páky udržují latenci pod kontrolou: vyhni se překódování, hostuj svou aplikaci co nejblíže svému operátorovi a udržuj funkce, které agent volá, rychlé, protože jediný dotaz na pomalý CRM systém může celý rozpočet latence překročit. Měř celkové zpoždění end-to-end na skutečných hovorech, nespoléhej pouze na benchmarková čísla.

Dalším bodem je soulad s předpisy, který není vyjednatelný. Informuj volající, že mluví s AI, a pokud je konverzace nahrávána, sděl jim to na začátku. Zacházej s přepisy a nahrávkami jako s osobními údaji podle GDPR, stanov lhůty pro uchovávání a zajisti funkční proces jejich mazání.

Nakonec počítej se selháním, protože k němu dojde. Pokud není Hlasový agent dostupný, musí převzít řízení záložní zpráva, jinak se zákazníci dovolají jen na hluchý telefon. Po dvou nebo třech po sobě jdoucích nedorozuměních by mělo nastat přepojení na člověka. A logování přepisů ti poskytne materiál k odhalení opakujících se chyb a vylepšení tvých instrukcí.

Klíčové poznatky

  • Tři možnosti: přímý SIP s xAI, most přes tvůj server nebo framework jako LiveKit či Pipecat
  • U přímého SIP xAI zvedne hovor, upozorní tvou aplikaci podepsaným webhookem a podporuje přepojení, zavěšení a tlačítka DTMF
  • V mostu se kodeky G.711 (audio/pcmu, audio/pcma) na 8000 Hz vyhýbají překódování
  • Detekce střídání řeči nemá žádný práh k ladění; idle_timeout_ms vyzve mlčícího volajícího
  • Soulad s předpisy (informování volajících, upozornění na nahrávání, GDPR) je v telefonii povinný