Ir al contenido principal
Español— Elegir un idioma
Menú

Telefonía SIP e integración con LiveKit

Lección 12 de 14 Actualizado el 3 de noviembre de 2026 Intermedio
En esta página
  1. Conecta Grok a la red telefónica
  2. Tres formas de conectar
  3. Configura el audio para el teléfono
  4. Qué aporta el SIP directo
  5. Qué puedes construir con ello
  6. Requisitos específicos del teléfono
  7. Puntos clave

Actualizado el 3 de noviembre de 2026, basándose en la guía SIP Phone Calls, la página Voice y el ejemplo de recetario Phone Voice Agent de xAI. xAI puede responder llamadas a tu número directamente mediante SIP, con soporte para transferencia de llamada, colgado y teclado DTMF. Fuentes: SIP Phone Calls · Voice · Phone Voice Agent.

Conecta Grok a la red telefónica

El Agente de Voz no se limita a aplicaciones web y móviles. Tu asistente puede contestar un número de teléfono ordinario: los clientes marcan desde un fijo o un móvil, y el agente Grok responde. Quien llama no necesita instalar nada, lo cual marca la diferencia para clientes de mayor edad o zonas con cobertura de internet móvil deficiente.

Tres formas de conectar

SIP directo, el estándar para voz sobre IP, es la opción más integrada. Registras tu número con xAI, tu operador enruta las llamadas a la dirección SIP de xAI, y xAI notifica a tu aplicación mediante un webhook firmado por cada llamada entrante; tu aplicación se une entonces a la llamada a través de WebSocket. La guía de xAI detalla la configuración para Twilio, Bandwidth, Telnyx y Plivo, así como para cualquier operador o centralita (PBX) capaz de abrir una ruta SIP hacia ese número.

Un puente a través de tu propio servidor conviene a los equipos que desean mantener el control del flujo de audio. Tu servidor recibe el audio de la llamada (por ejemplo, Twilio Media Streams, como en el ejemplo Phone Voice Agent del recetario de xAI) y lo retransmite a una sesión WebSocket convencional.

Frameworks en tiempo real, finalmente: la documentación de xAI enumera LiveKit y Pipecat entre las integraciones existentes. Estos gestionan el transporte en tiempo real y el enrutamiento de llamadas, lo que los convierte en la vía más rápida para un equipo que no quiera construir su propia capa de telefonía.

Configura el audio para el teléfono

Con SIP directo, no tienes que preocuparte por ello: xAI retransmite el audio de quien llama a la sesión y reproduce la voz del agente de vuelta. En un puente, sin embargo, el formato importa. La red telefónica funciona con audio de banda estrecha y sus propios códecs, y el Agente de Voz los acepta de forma nativa, lo que evita cualquier transcodificación.

G.711 μ-law, declarado como audio/pcmu, funciona a 8000 Hz; es el estándar en telefonía norteamericana y japonesa. G.711 A-law, declarado como audio/pcma, tiene las mismas características y domina la telefonía europea e internacional. Por tanto, eliges en función de dónde opera tu operador, no por preferencia personal.

{
  "type": "session.update",
  "session": {
    "voice": "ara",
    "instructions": "Eres el asistente telefónico de Miller & Sons. Responde de forma profesional y concisa.",
    "audio": {
      "input": { "format": { "type": "audio/pcma", "rate": 8000 } },
      "output": { "format": { "type": "audio/pcma", "rate": 8000 } }
    },
    "turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
  }
}

La detección de turnos sigue gestionándola el servidor, sin umbral que ajustar. El parámetro importante en el teléfono es idle_timeout_ms: si quien llama guarda silencio durante ese tiempo tras una respuesta, el agente interviene en lugar de dejar la línea en silencio.

Qué aporta el SIP directo

Tres funciones existen solo en la ruta SIP directa. Primero, transferencia: POST /v1/realtime/calls/{call_id}/refer envía a quien llama a un número de teléfono (tel:) o una dirección SIP (sip:), y la respuesta HTTP indica si el destino ha contestado; si falla, quien llama permanece en línea con el agente. Segundo, colgado, con POST /v1/realtime/calls/{call_id}/hangup. Tercero, entrada por teclado: los dígitos que pulsa quien llama llegan al modelo como texto (tras #, tras 2,5 segundos sin pulsar otra tecla, o tan pronto como quien habla hable), y la herramienta send_dtmf permite al agente pulsar teclas él mismo, por ejemplo para navegar por el menú telefónico de otro servicio.

Qué puedes construir con ello

Lo primero es una centralita automatizada. El agente saluda a quienes llaman en nombre de la empresa, averigua qué necesitan a medida que avanza la conversación y, a continuación, o bien los transfiere al departamento adecuado con refer o gestiona él mismo solicitudes sencillas. A diferencia de un menú telefónico de «pulse 1 para ventas», quienes llaman describen su problema con sus propias palabras en lugar de navegar por un árbol, y si prefieren el teclado, DTMF sigue disponible.

Una línea de asistencia técnica va más allá. El agente diagnostica el problema mediante una serie de preguntas, ofrece instrucciones paso a paso, crea un ticket mediante llamada a funciones y transfiere a un técnico humano cuando el caso excede su alcance. La reanudación de sesión permite incluso continuar la conversación si el cliente vuelve a llamar en un plazo de 30 minutos, siempre que hayas habilitado la reanudación y puedas recuperar el ID de la primera llamada.

Requisitos específicos del teléfono

La latencia lo es todo. Un retraso perceptible empuja a quienes llaman a hablar encima del agente, y la conversación se desmorona. Tres palancas la mantienen bajo control: evita la transcodificación, aloja tu aplicación lo más cerca posible de tu operador y mantén rápidas las funciones que llama el agente, ya que una única consulta a un CRM lento puede agotar todo el presupuesto de latencia. Mide el retraso de extremo a extremo en llamadas reales en lugar de confiar en una cifra de referencia.

Lo siguiente es el cumplimiento normativo, que no es negociable. Informa a quienes llaman de que están hablando con una IA y, si la conversación se graba, dilo al inicio. Trata las transcripciones y grabaciones como datos personales conforme al RGPD, con periodos de conservación definidos y un proceso de eliminación que funcione de verdad.

Finalmente, planifica los fallos, porque ocurrirán. Un mensaje de respaldo debe tomar el relevo si el Agente de Voz no está disponible, o tus clientes se toparán con una línea muerta. Una transferencia a un humano debe activarse tras dos o tres malentendidos consecutivos. Y registrar las transcripciones te proporciona el material para detectar fallos recurrentes y refinar tus instrucciones.

Puntos clave

  • Tres opciones: SIP directo con xAI, un puente a través de tu servidor o un framework como LiveKit o Pipecat
  • Con SIP directo, xAI responde la llamada, notifica a tu app con un webhook firmado y soporta transferencia, colgado y teclas DTMF
  • En un puente, los códecs G.711 (audio/pcmu, audio/pcma) a 8000 Hz evitan la transcodificación
  • La detección de turnos no tiene umbral que ajustar; idle_timeout_ms interpela a quien llama en silencio
  • El cumplimiento (informar a quienes llaman, avisos de grabación, RGPD) es obligatorio en telefonía