SIP telefonija i integracija s LiveKitom
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju xAI vodiča SIP Phone Calls, stranice Voice i primjera iz kuharice Phone Voice Agent. xAI može odgovarati na pozive na tvoj broj putem samog SIP-a, uz podršku za prosljeđivanje poziva, prekid veze i unos putem DTMF tipkovnice. Izvori: SIP Phone Calls · Voice · Phone Voice Agent.
Poveži Grok s telefonskom mrežom
Voice Agent nije ograničen samo na web i mobilne aplikacije. Tvoj asistent može odgovoriti na običan telefonski broj: korisnici ga biraju sa fiksnog ili mobilnog telefona, a Grok agent se javlja. Pozivatelji ne moraju ništa instalirati, što čini ogromnu razliku za starije korisnike ili područja sa slabom pokrivenošću mobilnim internetom.
Tri načina povezivanja
Izravni SIP, standard za glasovni promet preko IP-a (VoIP), najintegriranija je opcija. Registriraš svoj broj kod xAI-ja, tvoj operater prosljeđuje pozive na xAI-jevu SIP adresu, a xAI obavještava tvoju aplikaciju potpisanim webhookom za svaki dolazni poziv; tvoja aplikacija zatim se pridružuje pozivu putem WebSocket veze. xAI vodič detaljno opisuje postavke za Twilio, Bandwidth, Telnyx i Plivo, kao i za bilo kojeg operatera ili PBX sustav koji može otvoriti SIP rutu do tog broja.
Most preko vlastitog poslužitelja odgovara timovima koji žele zadržati kontrolu nad audio tokom. Tvoj poslužitelj prima audio poziva (na primjer, Twilio Media Streams, kao u primjeru Phone Voice Agent iz xAI kuharice) i prosljeđuje ga u redovnu WebSocket sesiju.
Okviri za rad u stvarnom vremenu, konačno: xAI dokumentacija navodi LiveKit i Pipecat među postojećim integracijama. Oni upravljaju prijenosom u stvarnom vremenu i usmjeravanjem poziva, što ih čini najkraćim putem za timove koji ne žele graditi vlastiti telefonijski sloj.
Konfiguracija zvuka za telefon
Kod izravnog SIP-a ne moraš brinuti o tome: xAI prosljeđuje audio pozivatelja u sesiju i reproducira glas agenta natrag prema njemu. Kod mosta, međutim, format je bitan. Telefonska mreža radi na uskopojasnom audiu s vlastitim kodecima, a Voice Agent ih prihvaća izvorno, čime se izbjegava svako transkodiranje.
G.711 μ-law, deklariran kao audio/pcmu, radi na 8000 Hz; to je standard u sjevernoameričkoj i japanskoj telefoniji. G.711 A-law, deklariran kao audio/pcma, ima iste karakteristike i dominira europskom i međunarodnom telefonijom. Dakle, biraš ovisno o tome gdje posluje tvoj operater, a ne prema osobnoj preferenciji.
{
"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 }
}
}
Detekciju promjene govornika i dalje obrađuje poslužitelj, bez praga koji trebaš podešavati. Postavka koja je bitna na telefonu jest idle_timeout_ms: ako pozivatelj utihne na toliko dugo nakon odgovora, agent se javlja umjesto da ostavi liniju u tišini.
Što donosi izravni SIP
Tri značajke postoje samo na putu izravnog SIP-a. Prvo, prosljeđivanje: POST /v1/realtime/calls/{call_id}/refer šalje pozivatelja na telefonski broj (tel:) ili SIP adresu (sip:), a HTTP odgovor ti govori je li odredište odgovorilo; ako ne uspije, pozivatelj ostaje na liniji s agentom. Drugo, prekid veze, putem POST /v1/realtime/calls/{call_id}/hangup. Treće, unos s tipkovnice: znamenke koje pozivatelj pritisne stižu modelu kao tekst (nakon #, nakon 2,5 sekunde bez novog pritiska tipke ili čim pozivatelj progovori), a alat send_dtmf omogućuje agentu da i sam pritiska tipke, na primjer za navigaciju kroz telefonski izbornik druge usluge.
Što možeš izgraditi s time
Automatizirana centrala dolazi prva na red. Agent pozdravlja pozivatelje u ime tvrtke, utvrđuje što im treba kako razgovor teče, a zatim ih ili prosljeđuje (refer) odgovarajućem odjelu ili samostalno rješava jednostavne zahtjeve. Za razliku od telefonskog izbornika „pritisni 1 za prodaju“, pozivatelji opisuju svoj problem vlastitim riječima umjesto navigacije kroz stablo, a ako ipak preferiraju tipkovnicu, DTMF je i dalje dostupan.
Telefonska linija za tehničku podršku ide korak dalje. Agent dijagnosticira problem kroz niz pitanja, daje upute korak po korak, stvara tiket putem pozivanja funkcija i prosljeđuje poziv ljudskom tehničaru kada je slučaj izvan njegovog dosega. Nastavak sesije čak omogućuje da se razgovor nastavi ako korisnik ponovno nazove unutar 30 minuta, pod uvjetom da si omogućio nastavak i možeš dohvatiti ID prvog poziva.
Zahtjevi specifični za telefoniju
Latencija je važnija od svega ostalog. Primjetno kašnjenje navodi pozivatelje da govore preko agenta i razgovor se raspada. Tri poluge drže to pod kontrolom: izbjegavaj transkodiranje, hostaj svoju aplikaciju što bliže svom operateru i održavaj funkcije koje agent poziva brzima, jer jedna upita sporom CRM-u može probudžet cijelog proračuna za latenciju. Mjeri kašnjenje od kraja do kraja na stvarnim pozivima umjesto oslanjanja na referentne brojke.
Sljedeća je usklađenost, koja nije pregovaračka. Obavijesti pozivatelje da razgovaraju s AI-jem i, ako se razgovor snima, reci to na početku. Tretiraj transkripte i snimke kao osobne podatke prema GDPR-u, s definiranim razdobljima čuvanja i procesom brisanja koji stvarno funkcionira.
Konačno, planiraj za kvarove, jer će se oni dogoditi. Poruka za slučaj nužde mora preuzeti kontrolu ako Voice Agent nije dostupan, inače će tvoji korisnici naići na mrtvu liniju. Prosljeđivanje ljudskom operateru treba se aktivirati nakon dva ili tri uzastopna nesporazuma. Vođenje evidencije transkripata daje ti materijal za uočavanje ponavljajućih kvarova i fino podešavanje tvojih uputa.
Ključne točke
- Tri opcije: izravni SIP s xAI-jem, most preko tvog poslužitelja ili okvir poput LiveKita ili Pipecata
- Kod izravnog SIP-a, xAI odgovara na poziv, obavještava tvoju aplikaciju potpisanim webhookom te podržava prosljeđivanje, prekid veze i DTMF tipke
- U mostu, G.711 kodeci (
audio/pcmu,audio/pcma) na 8000 Hz izbjegavaju transkodiranje - Detekcija promjene govornika nema prag za podešavanje;
idle_timeout_mspotiče agenta na reakciju kada pozivatelj šuti - Usklađenost (obavještavanje pozivatelja, obavijesti o snimanju, GDPR) obavezna je u telefoniji