Τηλεφωνία SIP και ενσωμάτωση με το LiveKit
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τον οδηγό SIP Phone Calls της xAI, τη σελίδα Voice και το παράδειγμα εγχειριδίου Phone Voice Agent. Η xAI μπορεί να απαντά σε κλήσεις στον αριθμό σας μέσω του ίδιου του πρωτοκόλλου SIP, υποστηρίζοντας μεταφορά κλήσης, τερματισμό και πλήκτρα DTMF. Πηγές: SIP Phone Calls · Voice · Phone Voice Agent.
Σύνδεση του Grok με το τηλεφωνικό δίκτυο
Ο Πράκτορας Φωνής (Voice Agent) δεν περιορίζεται σε εφαρμογές ιστού και κινητών. Ο βοηθός σας μπορεί να απαντά σε έναν κοινό τηλεφωνικό αριθμό: οι πελάτες τον καλούν από σταθερό ή κινητό τηλέφωνο και ο πράκτορας Grok απαντά. Οι καλούντες δεν χρειάζεται να εγκαταστήσουν τίποτα, γεγονός που κάνει τη διαφορά για ηλικιωμένους πελάτες ή περιοχές με κακή κάλυψη κινητού διαδικτύου.
Τρεις τρόποι σύνδεσης
Η Άμεση SIP, το πρότυπο για φωνή μέσω IP, είναι η πιο ολοκληρωμένη επιλογή. Καταχωρείτε τον αριθμό σας στην xAI, ο πάροχός σας δρομολογεί τις κλήσεις στη διεύθυνση SIP της xAI και η xAI ειδοποιεί την εφαρμογή σας με ένα υπογεγραμμένο webhook για κάθε εισερχόμενη κλήση· στη συνέχεια, η εφαρμογή σας συνδέεται στην κλήση μέσω WebSocket. Ο οδηγός της xAI περιγράφει αναλυτικά τη ρύθμιση για τους Twilio, Bandwidth, Telnyx και Plivo, καθώς και για οποιονδήποτε πάροχο ή PBX που μπορεί να ανοίξει μια διαδρομή SIP προς αυτόν τον αριθμό.
Μια γέφυρα μέσω του δικού σας διακομιστή ταιριάζει σε ομάδες που θέλουν να διατηρήσουν τον έλεγχο της ροής ήχου. Ο διακομιστής σας λαμβάνει τον ήχο της κλήσης (για παράδειγμα, Twilio Media Streams, όπως στο παράδειγμα Phone Voice Agent του εγχειριδίου της xAI) και τον αναμεταδίδει σε μια κανονική συνεδρία WebSocket.
Τέλος, τα πλαίσια εργασίας πραγματικού χρόνου: η τεκμηρίωση της xAI αναφέρει τα LiveKit και Pipecat μεταξύ των υφιστάμενων ενσωματώσεων. Αυτά διαχειρίζονται τη μεταφορά σε πραγματικό χρόνο και τη δρομολόγηση κλήσεων, καθιστώντας τα τον συντομότερο δρόμο για μια ομάδα που δεν επιθυμεί να κατασκευάσει το δικό της στρώμα τηλεφωνίας.
Διαμόρφωση ήχου για το τηλέφωνο
Με την άμεση SIP, δεν χρειάζεται να ανησυχείτε: η xAI αναμεταδίδει τον ήχο του καλούντος στη συνεδρία και αναπαράγει τη φωνή του πράκτορα πίσω σε αυτόν. Σε μια γέφυρα, ωστόσο, η μορφή έχει σημασία. Το τηλεφωνικό δίκτυο λειτουργεί με στενής ζώνης ήχο (narrowband) με τους δικούς του κωδικοποιητές (codecs) και ο Πράκτορας Φωνής τους δέχεται εγγενώς, αποφεύγοντας οποιαδήποτε μετακωδικοποίηση (transcoding).
Το G.711 μ-law, που δηλώνεται ως audio/pcmu, λειτουργεί στα 8000 Hz· είναι το πρότυπο στην τηλεφωνία της Βόρειας Αμερικής και της Ιαπωνίας. Το G.711 A-law, που δηλώνεται ως audio/pcma, έχει τα ίδια χαρακτηριστικά και κυριαρχεί στην ευρωπαϊκή και διεθνή τηλεφωνία. Επομένως, επιλέγετε με βάση την περιοχή λειτουργίας του παρόχου σας και όχι την προσωπική προτίμηση.
{
"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 }
}
}
Η ανίχνευση αλλαγής ομιλητή (turn detection) εξακολουθεί να διαχειρίζεται από τον διακομιστή, χωρίς κατώφλι προς ρύθμιση. Η ρύθμιση που έχει σημασία στο τηλέφωνο είναι το idle_timeout_ms: εάν ο καλών σιωπήσει για τόσο χρόνο μετά από μια απάντηση, ο πράκτορας επικοινωνεί ξανά αντί να αφήσει τη γραμμή σιωπηλή.
Τι προσφέρει η άμεση SIP
Τρία χαρακτηριστικά υπάρχουν μόνο στη διαδρομή άμεσης SIP. Πρώτον, η μεταφορά: το POST /v1/realtime/calls/{call_id}/refer στέλνει τον καλούντα σε έναν τηλεφωνικό αριθμό (tel:) ή σε μια διεύθυνση SIP (sip:), και η απόκριση HTTP σας ενημερώνει εάν ο προορισμός απάντησε· εάν αποτύχει, ο καλών παραμένει στη γραμμή με τον πράκτορα. Δεύτερον, ο τερματισμός κλήσης, με το POST /v1/realtime/calls/{call_id}/hangup. Τρίτον, η εισαγωγή από το πληκτρολόγιο: τα ψηφία που πατά ο καλών φτάνουν στο μοντέλο ως κείμενο (μετά το #, μετά από 2,5 δευτερόλεπτα χωρίς νέο πλήκτρο, ή μόλις μιλήσει ο καλών), και το εργαλείο send_dtmf επιτρέπει στον πράκτορα να πατάει πλήκτρα ο ίδιος, για παράδειγμα για να πλοηγηθεί στο τηλεφωνικό μενού μιας άλλης υπηρεσίας.
Τι μπορείτε να δημιουργήσετε
Ένας αυτοματοποιημένος τηλεφωνικός κέντρο έρχεται πρώτος. Ο πράκτορας χαιρετά τους καλούντες εκ μέρους της εταιρείας, κατανοεί τι χρειάζονται καθώς εξελίσσεται η συνομιλία και είτε τους μεταφέρει στο σωστό τμήμα με το refer είτε διαχειρίζεται ο ίδιος απλά αιτήματα. Σε αντίθεση με ένα τηλεφωνικό μενού «πατήστε 1 για πωλήσεις», οι καλούντες περιγράφουν το πρόβλημά τους με τα δικά τους λόγια αντί να πλοηγούνται σε ένα δέντρο επιλογών, και αν προτιμούν το πληκτρολόγιο, το DTMF είναι διαθέσιμο.
Μια γραμμή τεχνικής υποστήριξης πηγαίνει ένα βήμα παραπέρα. Ο πράκτορας διαγιγνώσκει το πρόβλημα μέσω μιας σειράς ερωτήσεων, δίνει οδηγίες βήμα προς βήμα, δημιουργεί ένα ticket μέσω κλήσης συνάρτησης (function calling) και μεταφέρει σε ανθρώπινο τεχνικό όταν η περίπτωση ξεπερνά τις δυνατότητές του. Η επανάληψη συνεδρίας (session resumption) επιτρέπει ακόμη και τη συνέχιση της συνομιλίας εάν ο πελάτης καλέσει ξανά εντός 30 λεπτών, εφόσον έχετε ενεργοποιήσει την επανάληψη και μπορείτε να ανακτήσετε το ID της πρώτης κλήσης.
Απαιτήσεις ειδικές για το τηλέφωνο
Ο χρόνος απόκρισης (latency) υπερισχύει όλων. Μια αισθητή καθυστέρηση ωθεί τους καλούντες να μιλήσουν ταυτόχρονα με τον πράκτορα και η συνομιλία καταρρέει. Τρεις μοχλοί τη διατηρούν υπό έλεγχο: αποφύγετε τη μετακωδικοποίηση, φιλοξενήστε την εφαρμογή σας όσο το δυνατόν πιο κοντά στον πάροχό σας και διατηρήστε γρήγορες τις συναρτήσεις που καλεί ο πράκτορας, καθώς ένα μόνο ερώτημα σε ένα αργό CRM μπορεί να εξαντλήσει ολόκληρο τον προϋπολογισμό καθυστέρησης. Μετρήστε την καθυστέρηση από άκρο σε άκρο σε πραγματικές κλήσεις αντί να βασίζεστε σε μια τιμή αναφοράς (benchmark).
Στη συνέχεια έρχεται η συμμόρφωση, η οποία δεν είναι διαπραγματεύσιμη. Ενημερώστε τους καλούντες ότι μιλούν με τεχνητή νοημοσύνη και, εάν η συνομιλία καταγράφεται, δηλώστε το στην αρχή. Αντιμετωπίστε τα απομαγνητοφωνημένα κείμενα και τις ηχογραφήσεις ως προσωπικά δεδομένα σύμφωνα με τον GDPR, με καθορισμένες περιόδους διατήρησης και μια διαδικασία διαγραφής που λειτουργεί πραγματικά.
Τέλος, σχεδιάστε για αστοχίες, διότι θα συμβούν. Ένα μήνυμα εφεδρείας πρέπει να αναλάβει εάν ο Πράκτορας Φωνής δεν είναι διαθέσιμος, διαφορετικά οι πελάτες σας θα βρεθούν σε νεκρή γραμμή. Μια μεταφορά σε άνθρωπο πρέπει να ενεργοποιείται μετά από δύο ή τρεις διαδοχικές παρεξηγήσεις. Και η καταγραφή των απομαγνητοφωνημένων κειμένων σας παρέχει το υλικό για να εντοπίσετε επαναλαμβανόμενες αστοχίες και να βελτιώσετε τις οδηγίες σας.
Βασικά σημεία
- Τρεις επιλογές: άμεση SIP με την xAI, γέφυρα μέσω του διακομιστή σας ή ένα πλαίσιο εργασίας όπως το LiveKit ή το Pipecat
- Με την άμεση SIP, η xAI απαντά στην κλήση, ειδοποιεί την εφαρμογή σας με ένα υπογεγραμμένο webhook και υποστηρίζει μεταφορά, τερματισμό και πλήκτρα DTMF
- Σε μια γέφυρα, οι κωδικοποιητές G.711 (
audio/pcmu,audio/pcma) στα 8000 Hz αποφεύγουν τη μετακωδικοποίηση - Η ανίχνευση αλλαγής ομιλητή δεν έχει κατώφλι προς ρύθμιση· το
idle_timeout_msπροτρέπει έναν σιωπηλό καλούντα - Η συμμόρφωση (ενημέρωση καλούντων, ειδοποιήσεις εγγραφής, GDPR) είναι υποχρεωτική στην τηλεφωνία