Spring til hovedindhold
Dansk— Vælg et sprog
Menu

SIP-telefoni og LiveKit-integration

Lektion 12 af 14 Opdateret 3. november 2026 Mellem
På denne side
  1. Forbind Grok til telefonnettet
  2. Tre måder at forbinde på
  3. Konfigurer lyd til telefonen
  4. Hvad direkte SIP tilføjer
  5. Hvad du kan bygge med det
  6. Telefonspecifikke krav
  7. Vigtige pointer

Opdateret 3. november 2026 baseret på xAI-guiden SIP Phone Calls, siden Voice og kodeeksemplet Phone Voice Agent i kogebogen. xAI kan besvare opkald til dit nummer direkte via SIP med support til viderestilling, afbrydelse og DTMF-tastatur. Kilder: SIP Phone Calls · Voice · Phone Voice Agent.

Forbind Grok til telefonnettet

Voice Agent er ikke begrænset til web- og mobilapps. Din assistent kan besvare et almindeligt telefonnummer: Kunder ringer op fra en fastnettelefon eller en mobil, og Grok-agenten tager imod. Opkalderen behøver ikke installere noget, hvilket gør en kæmpe forskel for ældre kunder eller områder med dårlig mobildækning.

Tre måder at forbinde på

Direkte SIP, standarden for Voice over IP, er den mest integrerede løsning. Du registrerer dit nummer hos xAI, din udbyder dirigerer opkald til xAI’s SIP-adresse, og xAI underretter din app med en signeret webhook for hvert indgående opkald; din app deltager derefter i opkaldet via WebSocket. xAI-guiden gennemgår opsætningen for Twilio, Bandwidth, Telnyx og Plivo samt for enhver udbyder eller PBX, der kan åbne en SIP-rute til dette nummer.

En bro gennem din egen server passer til teams, der ønsker at beholde kontrollen over lydstrømmen. Din server modtager opkaldslyden (f.eks. Twilio Media Streams, som i xAI-kogebogens eksempel Phone Voice Agent) og videresender den til en almindelig WebSocket-session.

Realtidsframeworks endelig: xAI-dokumentationen nævner LiveKit og Pipecat blandt eksisterende integrationer. De håndterer realtidstransport og opkaldsrouting, hvilket gør dem til den korteste vej for et team, der ikke ønsker at bygge sit eget telefonilag.

Konfigurer lyd til telefonen

Ved direkte SIP behøver du ikke bekymre dig om det: xAI videresender opkalderens lyd ind i sessionen og afspiller agentens stemme tilbage til dem. I en bro-løsning betyder formatet dog noget. Telefonnettet kører på smalbåndslyd med sine egne codecs, og Voice Agent accepterer dem nativt, hvilket undgår enhver transkodning.

G.711 μ-law, deklareret som audio/pcmu, kører ved 8000 Hz; det er standarden i nordamerikansk og japansk telefoni. G.711 A-law, deklareret som audio/pcma, har de samme egenskaber og dominerer europæisk og international telefoni. Du vælger altså baseret på, hvor din udbyder opererer, ikke på personlig præference.

{
  "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 }
  }
}

Tur-detektering håndteres stadig af serveren uden nogen tærskel, der skal justeres. Indstillingen, der betyder noget på telefonen, er idle_timeout_ms: Hvis opkalderen er stille i så lang tid efter et svar, tjekker agenten ind i stedet for at lade linjen være stille.

Hvad direkte SIP tilføjer

Tre funktioner findes kun på den direkte SIP-sti. For det første viderestilling: POST /v1/realtime/calls/{call_id}/refer sender opkalderen til et telefonnummer (tel:) eller en SIP-adresse (sip:), og HTTP-svaret fortæller dig, om destinationen svarede; hvis det mislykkes, bliver opkalderen på linjen med agenten. For det andet afbrydelse med POST /v1/realtime/calls/{call_id}/hangup. For det tredje tastaturinput: De cifre, opkalderen trykker på, når modellen som tekst (efter #, efter 2,5 sekunder uden en ny tast, eller så snart opkalderen taler), og værktøjet send_dtmf lader agenten trykke på taster selv, f.eks. for at navigere i en anden tjenestes telefonmenu.

Hvad du kan bygge med det

En automatiseret omstillingsbord kommer først. Agenten hilser opkalderen på virksomhedens vegne, finder ud af, hvad de har brug for, efterhånden som samtalen skrider frem, og viderestiller dem derefter til den rigtige afdeling med refer eller håndterer enkle forespørgsler selv. I modsætning til en “tryk 1 for salg”-telefonmenu beskriver opkalderen deres problem med deres egne ord i stedet for at navigere i et træ, og hvis de foretrækker tastaturet, er DTMF stadig tilgængeligt.

En teknisk support-hotline går videre. Agenten diagnosticerer problemet gennem en række spørgsmål, giver trin-for-trin instrukser, opretter en sag via funktionskald og overfører til en menneskelig tekniker, når sagen er uden for dens rækkevidde. Sessionsgenoptagelse gør det endda muligt at fortsætte samtalen, hvis kunden ringer tilbage inden for 30 minutter, så længe du har aktiveret genoptagelse og kan hente ID’et fra det første opkald.

Telefonspecifikke krav

Latens trumpfer alt andet. En mærkbar forsinkelse får opkalderen til at tale hen over agenten, og samtalen bryder sammen. Tre løftestænger holder det i skak: Undgå transkodning, host din app så tæt på din udbyder som muligt, og sørg for, at de funktioner, agenten kalder, er hurtige, da en enkelt forespørgsel til en langsom CRM kan sprænge hele latensbudgettet. Mål forsinkelsen fra ende til ende på rigtige opkald i stedet for at stole på et benchmark-tal.

Dernæst kommer overholdelse af regler, hvilket ikke er forhandlingsbart. Fortæl opkalderen, at de taler med en AI, og sig det i starten, hvis samtalen optages. Behandle transskriptioner og optagelser som personoplysninger under GDPR med definerede opbevaringsperioder og en sletningsproces, der faktisk virker.

Planlæg endelig for fejl, for de vil ske. En fallback-besked skal tage over, hvis Voice Agent ikke er tilgængelig, ellers vil dine kunder støde på en død linje. En overførsel til et menneske bør træde i kraft efter to eller tre på hinanden følgende misforståelser. Og logning af transskriptioner giver dig materialet til at spotte tilbagevendende fejl og finpudse dine instrukser.

Vigtige pointer

  • Tre muligheder: Direkte SIP med xAI, en bro gennem din server eller et framework som LiveKit eller Pipecat
  • Med direkte SIP besvarer xAI opkaldet, underretter din app med en signeret webhook og understøtter viderestilling, afbrydelse og DTMF-taster
  • I en bro-løsning undgår G.711-codecs (audio/pcmu, audio/pcma) ved 8000 Hz transkodning
  • Tur-detektering har ingen tærskel, der skal justeres; idle_timeout_ms prompter en stille opkalder
  • Overholdelse (informering af opkalderen, besked om optagelse, GDPR) er obligatorisk inden for telefoni