SIP-Telefonie und LiveKit-Integration
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf dem xAI-Leitfaden zu SIP-Telefonanrufen, der Voice-Seite und dem Kochbuch-Beispiel für Phone Voice Agent. xAI kann Anrufe direkt über SIP auf Ihrer Nummer beantworten, inklusive Rufübertragung, Beenden und Unterstützung für DTMF-Tastaturbefehle. Quellen: SIP Phone Calls · Voice · Phone Voice Agent.
Grok mit dem Telefonnetz verbinden
Der Voice Agent ist nicht auf Web- und Mobilanwendungen beschränkt. Ihr Assistent kann eine gewöhnliche Telefonnummer beantworten: Kunden wählen diese von einer Festnetz- oder einer Mobilfunknummer, und der Grok-Assistent nimmt ab. Anrufer müssen nichts installieren, was insbesondere für ältere Kunden oder Gebiete mit schlechter Mobilfunkabdeckung einen entscheidenden Unterschied macht.
Drei Verbindungsarten
Direkte SIP-Verbindung, der Standard für Voice over IP, ist die am stärksten integrierte Option. Sie registrieren Ihre Nummer bei xAI, Ihr Anbieter leitet die Anrufe an die SIP-Adresse von xAI weiter, und xAI benachrichtigt Ihre Anwendung über ein signiertes Webhook für jeden eingehenden Anruf; Ihre Anwendung schließt sich dann über WebSocket dem Anruf an. Der xAI-Leitfaden beschreibt die Einrichtung für Twilio, Bandwidth, Telnyx und Plivo sowie für jeden Anbieter oder PBX, der eine SIP-Route zu dieser Nummer öffnen kann.
Eine Brücke über Ihren eigenen Server eignet sich für Teams, die die Kontrolle über den Audio-Stream behalten möchten. Ihr Server empfängt die Anrufaudio-Daten (beispielsweise Twilio Media Streams, wie im Kochbuch-Beispiel Phone Voice Agent von xAI gezeigt) und leitet sie an eine reguläre WebSocket-Sitzung weiter.
Echtzeit-Frameworks, schließlich: Die xAI-Dokumentation listet LiveKit und Pipecat unter den bestehenden Integrationen auf. Sie übernehmen den Echtzeit-Transport und die Anrufvermittlung, was den kürzesten Weg für ein Team darstellt, das keinen eigenen Telefondienstschicht aufbauen möchte.
Audio für das Telefon konfigurieren
Bei der direkten SIP-Verbindung müssen Sie sich keine Sorgen machen: xAI leitet das Audio des Anrufers in die Sitzung weiter und spielt die Stimme des Agents dem Anrufer zurück. Bei einer Brücke hingegen ist das Format entscheidend. Das Telefonnetz basiert auf schmalbandigem Audio mit eigenen Codecs, und der Voice Agent akzeptiert diese nativ, wodurch jegliches Transcoding vermieden wird.
G.711 μ-law, deklariert als audio/pcmu, läuft mit 8000 Hz; es ist der Standard in der nordamerikanischen und japanischen Telekommunikation. G.711 A-law, deklariert als audio/pcma, weist dieselben Eigenschaften auf und dominiert die europäische und internationale Telekommunikation. Sie wählen daher basierend darauf, wo Ihr Anbieter operiert, nicht nach persönlicher Präferenz.
{
"type": "session.update",
"session": {
"voice": "ara",
"instructions": "Sie sind der Telefonassistent für Miller & Sons. Beantworten Sie professionell und prägnant.",
"audio": {
"input": { "format": { "type": "audio/pcma", "rate": 8000 } },
"output": { "format": { "type": "audio/pcma", "rate": 8000 } }
},
"turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
}
}
Die Spracherkennung wird weiterhin vom Server verwaltet, ohne dass ein Schwellenwert justiert werden muss. Die Einstellung, die am Telefon wichtig ist, lautet idle_timeout_ms: Wenn der Anrufer nach einer Antwort so lange schweigt, prüft der Agent nach, anstatt die Leitung stumm zu lassen.
Was direkte SIP hinzufügt
Drei Funktionen existieren ausschließlich auf dem direkten SIP-Pfad. Erstens Übertragung: POST /v1/realtime/calls/{call_id}/refer leitet den Anrufer an eine Telefonnummer (tel:) oder eine SIP-Adresse (sip:) weiter, und die HTTP-Antwort teilt Ihnen mit, ob das Ziel verbunden hat; bei einem Fehler bleibt der Anrufer mit dem Agent an der Leitung. Zweitens Beenden, mit POST /v1/realtime/calls/{call_id}/hangup. Drittens Tastatureingabe: Die vom Anrufer getippten Ziffern erreichen das Modell als Text (nach #, nach 2,5 Sekunden ohne neuen Tastendruck oder sobald der Anrufer spricht), und das send_dtmf-Tool ermöglicht es dem Agent, selbst Tasten zu drücken, beispielsweise um das Telefonmenü eines anderen Dienstes zu navigieren.
Was Sie damit bauen können
Ein automatischer Vermittlungsschalter steht an erster Stelle. Der Agent begrüßt die Anrufer im Namen des Unternehmens, ermittelt anhand des Gesprächsverlaufs, was sie benötigen, und leitet sie entweder mit refer an die richtige Abteilung weiter oder behandelt einfache Anfragen selbst. Im Gegensatz zu einem „Drücken Sie 1 für Vertrieb”-Menü beschreiben Anrufer ihr Problem in eigenen Worten statt einen Baum zu navigieren, und falls sie die Tastatur bevorzugen, ist DTMF weiterhin verfügbar.
Eine technische Support-Hotline geht einen Schritt weiter. Der Agent diagnostiziert das Problem durch eine Reihe von Fragen, gibt schrittweise Anweisungen, erstellt über Funktionserfassung einen Ticket und leitet an einen menschlichen Techniker weiter, wenn der Fall über seinen Umfang hinausgeht. Sitzungsfortsetzung ermöglicht es sogar, dass das Gespräch fortgesetzt wird, wenn der Kunde innerhalb von 30 Minuten zurückruft, sofern Sie die Fortsetzung aktiviert haben und die ID des ersten Anrufs abrufen können.
Telefon-spezifische Anforderungen
Latenz steht an erster Stelle. Eine spürbare Verzögerung führt dazu, dass Anrufer über den Agent sprechen, und das Gespräch zerfällt. Drei Hebel halten sie im Griff: Vermeiden Sie Transcoding, hosten Sie Ihre Anwendung so nah wie möglich bei Ihrem Anbieter und halten Sie die Funktionen, die der Agent aufruft, schnell, da eine einzelne Abfrage an einen langsamen CRM die gesamte Latenzbudget sprengen kann. Messen Sie die End-to-End-Verzögerung an echten Anrufen, statt sich auf eine Benchmark-Zahl zu verlassen.
Als Nächstes kommt die Compliance, die nicht verhandelbar ist. Informieren Sie Anrufer darüber, dass sie mit einer KI sprechen, und sagen Sie dies zu Beginn des Gesprächs, wenn das Gespräch aufgezeichnet wird. Behandeln Sie Transkripte und Aufnahmen als personenbezogene Daten gemäß der DSGVO, mit definierten Aufbewahrungsfristen und einem Löschprozess, der tatsächlich funktioniert.
Planen Sie schließlich für Ausfälle, denn diese werden passieren. Eine Fallback-Nachricht muss übernehmen, wenn der Voice Agent nicht verfügbar ist, sonst werden Ihre Kunden auf eine tote Leitung treffen. Eine Übertragung an einen Menschen sollte nach zwei oder drei aufeinanderfolgenden Missverständnissen ausgelöst werden. Und die Protokollierung von Transkripten gibt Ihnen das Material, um wiederkehrende Fehler zu erkennen und Ihre Anweisungen zu verfeinern.
Kernaussagen
- Drei Optionen: Direkte SIP-Verbindung mit xAI, eine Brücke über Ihren Server oder ein Framework wie LiveKit oder Pipecat
- Bei direkter SIP-Verbindung beantwortet xAI den Anruf, benachrichtigt Ihre Anwendung über ein signiertes Webhook und unterstützt Übertragung, Beenden und DTMF-Tasten
- Bei einer Brücke vermeiden G.711-Codecs (
audio/pcmu,audio/pcma) mit 8000 Hz Transcoding - Spracherkennung hat keinen Schwellenwert zur Justierung;
idle_timeout_msfordert einen schweigenden Anrufer auf - Compliance (Informieren der Anrufer, Aufzeichnungshinweise, DSGVO) ist in der Telekommunikation obligatorisch