Teileafónaíocht: SIP, LiveKit, agus G.711
Ar an leathanach seo
Nuashonraithe an 3 Samhain 2026, bunaithe ar threoir SIP Phone Calls de chuid xAI, ar an leathanach Speech to Speech, agus ar shampla cócaireachta Phone Voice Agent. Is féidir le xAI glaonna a fhreagairt ar do uimhir féin (SIP díreach, webhook sínithe, aistriú, crochadh, eochracha DTMF), chomh maith le droichead trí do fhreastalaí féin. Foincí: SIP Phone Calls · Speech to Speech · Phone Voice Agent.
An Voice Agent API a nascadh leis an líonra teileafóin
Is féidir leis an Voice Agent API glaonna teileafóin a ghlacadh: déanann do chustaiméirí glaoch ar uimhir ghnáth agus labhraíonn siad le do ghníomhaire Grok. Tá trí bhealach ann chun é sin a bhaint amach, ón gceann is lánpháirtithe go dtí an ceann is solúbtha.
Bealach 1: SIP díreach le xAI
Sa mhód seo, is é xAI a fhreagraíonn an glao. Tagann an glao ar bhonneagar SIP xAI, a chuireann in iúl duit trí webhook; déanann d’aip teacht isteach ar an nglao thar WebSocket agus tiomáineann sé an gníomhaire.
- Cláraigh an uimhir. Dearbhaigh uimhir “Direct SIP” le xAI, mar aon leis an seoladh webhook a gheobhaidh glaonna isteach. Maidir le huimhir atá i do sheilbh agat, úsáid
origin: "byo_trunk": ní sholáthraíonn xAI uimhreacha tríd an API. Tá rún sínithe sa fhreagra, a thugtar ar ais uair amháin, mar sin stóráil é i do stór rúnda. - Stiúir do iompróir. Cumraigh do iompróir nó do PBX chun glaonna a sheoladh chuig
sip:{number}@sip.voice.x.ai. Glacann xAI le comharthaíocht SIP thar TLS ar phort 5061, nó TCP nó UDP ar phort 5060; roghnaigh;transport=tlsnuair a thacaíonn do iompróir leis. - Faigh an webhook. Do gach glao, seolann xAI webhook sínithe
realtime.call.incoming. Fíoraigh na ceanntáiscwebhook-id,webhook-timestamp, aguswebhook-signatureleis an rún sínithe, ansin léighdata.call_id. - Tar isteach ar an nglao. Oscail
wss://api.x.ai/v1/realtime?call_id={call_id}le do eochair API (ní ghlactar le comharthaí sealadacha do sheisiún SIP), seolsession.update, ansinresponse.createnuair ba chóir don ghníomhaire labhairt.
import json
import os
import websockets
async def join_call(call_id):
async with websockets.connect(
f"wss://api.x.ai/v1/realtime?call_id={call_id}",
additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
) as ws:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"voice": "rex",
"instructions": "You are the customer service agent. Answer in English, briefly.",
"turn_detection": {"type": "server_vad"},
},
}))
await ws.send(json.dumps({"type": "response.create"})) # the agent greets the caller
async for message in ws:
event = json.loads(message)
# same handling as for a regular WebSocket session
Nuair a bheidh tú nasctha, feidhmíonn an seisiún mar aon seisiún gutha eile: seolann xAI fuaim an ghlaoóra agus seinneann sé an gníomhaire ar ais dóibh, gan d’fhreastalaí aon fhuaim a iompar.
Aistriú nó crochadh
Rialaíonn dhá ghlaoch REST an líne. Aistríonn POST /v1/realtime/calls/{call_id}/refer, le target_uri i bhfoirm tel: nó sip:, an glaoóra; fanann an t-iarratas ar thoradh an aistrithe. Ciallaíonn 200 le corp folamh gur fhreagair an ceann scríbe; iompraíonn 502 cód diúltaithe SIP, agus léiríonn 504 am-teorainn. Tar éis teipe, fanann an seisiún oscailte agus is féidir leis an ngníomhaire leanúint ag caint: is ortsa an freagra a léamh agus, más gá, an gníomhaire a chur ag míniú an mhí-ádh. Críochnaíonn POST /v1/realtime/calls/{call_id}/hangup an glao.
Ionchur méarchláir (DTMF)
Ar sheisiún SIP, déantar na heochracha a bhrúnn an glaoóra a mhaolánú agus ansin a chur chuig an tsamhail mar théacs chomh luath agus a bhrúnn an glaoóra #, tar éis 2.5 soicind gan eochair nua, nó chomh luath agus a thosaíonn siad ag caint. Faigheann do chliaint imeacht amháin input_audio_buffer.dtmf_event_received in aghaidh na heochrach, ionas gur féidir leat taifead a choinneáil. Chun ligean don ghníomhaire eochracha a bhrú féin, mar shampla chun roghchlár teileafóin seirbhíse eile a nascleanúint, cuir {"type": "function", "name": "send_dtmf"} lena uirlisí, gan aon pharaiméadair: soláthraíonn an API an scéama agus seolann sé na tóin, agus ní mór duit na glaonna feidhme seo a fhreagairt. Níl na himeachtaí seo ann ach ar sheisiún SIP.
Iompróirí doiciméadaithe
Tugann treoir xAI treoir tríd an socrú do cheithre iompróir (Twilio, le Elastic SIP Trunking agus aistriú glaonna cumasaithe ar an trunk má aistríonn tú glaonna; Bandwidth; Telnyx; agus Plivo) agus d’aon iompróir, ionad teagmhála, nó PBX ar féidir leis bealach SIP a oscailt chuig seoladh do uimhreach. Ar thaobh an chódóir, iarrann sampla Telnyx ort G.711 μ-law, G.711 A-law, nó G.722 a chumasú ar a laghad.
Bealach 2: Droichead trí do fhreastalaí féin
Má theastaíonn uait smacht a choinneáil ar an sruth fuaime, faigheann do fhreastalaí fuaim an ghlao agus seolann sé ar aghaidh chuig seisiún gnáth-WebSocket é. Sin ailtireacht shampla Phone Voice Agent i gcócaireacht xAI: seolann Twilio fuaim an ghlao i μ-law trína Mheán-Sruthanna (Media Streams), agus seolann an freastalaí chuig an API é mar atá sé, gan aon tiontú, sa dá threo.
# Phone call → carrier → your server → xAI WebSocket
import base64
import json
import os
import websockets
async def relay_call(call_audio_stream):
ws = await websockets.connect(
"wss://api.x.ai/v1/realtime?model=grok-voice-latest",
additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
)
# G.711 μ-law at 8000 Hz, the North American phone network format
await ws.send(json.dumps({
"type": "session.update",
"session": {
"voice": "rex",
"instructions": "Customer service agent.",
"turn_detection": {"type": "server_vad"},
"audio": {
"input": {"format": {"type": "audio/pcmu", "rate": 8000}},
"output": {"format": {"type": "audio/pcmu", "rate": 8000}},
},
},
}))
async for chunk in call_audio_stream:
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": base64.b64encode(chunk).decode(),
}))
Glacann an API go dúchasach leis an dá leagan G.711, rud a sheachnaíonn aon traschódú: audio/pcmu (μ-law, an caighdeán i Meiriceá Thuaidh agus sa tSeapáin) agus audio/pcma (A-law, an caighdeán san Eoraip agus sa chuid is mó de thíortha eile), araon ag 8000 Hz.
{
"audio": {
"input": {"format": {"type": "audio/pcma", "rate": 8000}},
"output": {"format": {"type": "audio/pcma", "rate": 8000}}
}
}
Baineann eochracha DTMF agus na glaonna REST aistrithe agus crochta leis an mbealach SIP díreach: i ndroichead, déileálann do iompróir leo.
Bealach 3: Creatlach fíor-ama
Liostaíonn doiciméadú xAI dhá chomhtháthú réamhdhéanta: LiveKit Agents agus Pipecat. Déileálann siad le hiompar fíor-ama (WebRTC, seomraí, stiúradh glaonna) agus plugáiltear an gníomhaire gutha Grok isteach san áit cheart, rud a shábhálann d’fhoireann nach bhfuil ag iarraidh sraith teileafónaíochta a thógáil ón mbun an obair sin a dhéanamh.
Sa táirgeadh
Láimhseáil ciúnas. Ar an teileafón, fágann glaoóra a éiríonn ciúin líne mharbh. Déanann turn_detection.idle_timeout_ms seiceáil ar an ngníomhaire leis an nglaoóra tar éis ciúnais ar an fhad a roghnaíonn tú (ceacht 6).
Tóg comhrá ar ghlao nua. Oibríonn athshumú seisiúna thar SIP freisin: cumasaigh resumption.enabled ar an gcéad ghlao agus coinnigh a call_id. Nuair a ghlaonn an custaiméir ar ais, oscail wss://api.x.ai/v1/realtime?call_id={new_call_id}&conversation_id={previous_call_id} agus seol an session.update céanna arís. Téann an stair in éag tar éis 30 nóiméad neamhghníomhaíochta.
Lean na rialacha. Inis do ghlaoirí go bhfuil siad ag caint le AI agus, má thaifeadann tú glaonna, ráiteas é sin ag an tús. Maidir le sonraí sláinte, deir xAI gur féidir BAA (Comhaontú Comhpháirtí Gnó) a shíniú tar éis ceistneora.
Tomhais do mhoill. Cuireann an mhoill a mhothaíonn glaoirí leis an líonra teileafóin, do dhroichead má tá ceann agat, agus giniúint freagartha. Tomhais é ó cheann go ceann ar ghlanna fíora, agus coinnigh na feidhmeanna a ghlaonn an gníomhaire le linn an chomhrá tapa.
Príomhphointí
- Le SIP díreach, freagraíonn xAI do uimhir, cuirfidh sé in iúl duit le webhook sínithe
realtime.call.incoming, agus tagann tú isteach ar an nglao tríwss://api.x.ai/v1/realtime?call_id=… - Aistríonn
referan glao (tagann an toradh ar ais sa fhreagra HTTP), agus críochnaíonnhangupé - Sroicheann eochracha DTMF an tsamhail agus déantar logáil orthu trí
input_audio_buffer.dtmf_event_received; ligeann an uirlissend_dtmfdon ghníomhaire eochracha a bhrú - I ndroichead trí do fhreastalaí, seachnaíonn G.711 dúchasach (
audio/pcmu,audio/pcma) traschódú - Is iad LiveKit Agents agus Pipecat na comhtháthuithe a liostaíonn xAI