Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

SIP telefonálás és LiveKit integráció

12. lecke 14 közül Frissítve 2026. november 3. Középhaladó
Ezen az oldalon
  1. Grok kapcsolása a telefonhálózathoz
  2. Három kapcsolódási mód
  3. Hang konfigurálása telefonhíváshoz
  4. Amit a közvetlen SIP hozzáad
  5. Amit ezzel építhetsz
  6. Telefon-specifikus követelmények
  7. Főbb megállapítások

Frissítve: 2026. november 3., az xAI SIP Phone Calls útmutatója, a Voice oldal és a Phone Voice Agent szakmai példája alapján. Az xAI képes fogadni a hívásokat a saját SIP-címén keresztül a telefonszámodon, támogatva a hívásátadást, a hívásbontást és a DTMF billentyűzet használatát. Források: SIP Phone Calls · Voice · Phone Voice Agent.

Grok kapcsolása a telefonhálózathoz

A Voice Agent nem korlátozódik a webes és mobilalkalmazásokra. A segédőd képes fogadni a hívásokat egy hagyományos telefonszámon is: az ügyfelek tárcsázzák a számot vezetékes vagy mobiltelefonról, és a Grok-ügynök veszi fel a hívást. A hívóknak nem kell semmit telepíteniük, ami döntő különbséget jelent az idősebb ügyfelek vagy a gyenge mobilinternet-lefedettséggel rendelkező területek esetén.

Három kapcsolódási mód

A közvetlen SIP, amely az IP-alapú hangátvitel szabványa, a leginkább integrált megoldás. Regisztrálod a számodat az xAI-nál, a szolgáltatód a hívásokat az xAI SIP-címére irányítja, az xAI pedig minden bejövő hívásnál egy aláírt webhookkal értesíti az alkalmazásodat; az alkalmazásod ezután WebSocketen keresztül csatlakozik a híváshoz. Az xAI útmutató végigvezet a Twilio, Bandwidth, Telnyx és Plivo beállításán, valamint bármely olyan szolgáltató vagy PBX rendszer konfigurációján, amely képes SIP útvonalat nyitni ehhez a számhoz.

A saját szerveren átívelő híd azoknak a csapatoknak való, akik kézben szeretnék tartani a hangfolyamot. A szervered fogadja a hívás hanganyagát (például Twilio Media Streams segítségével, ahogy az xAI Phone Voice Agent szakmai példájában látható), és továbbítja azt egy szabványos WebSocket munkamenetbe.

Végül a valós idejű keretrendszerek: az xAI dokumentációja a LiveKitet és a Pipecatot sorolja fel a meglévő integrációk között. Ezek kezelik a valós idejű szállítást és a hívásirányítást, így ezek jelentik a legrövidebb utat azoknak a csapatoknak, amelyek nem szeretnének saját telefonréteget fejleszteni.

Hang konfigurálása telefonhíváshoz

Közvetlen SIP használata esetén ezzel nem kell foglalkoznod: az xAI továbbítja a hívó hangját a munkamenetbe, és visszajátssza az ügynök hangját számára. Híd használata esetén azonban a formátum számít. A telefonhálózat keskenysávú hangot használ saját kodekekkel, és a Voice Agent ezeket natívan fogadja, ami elkerüli a transzkódolást.

A G.711 μ-law, amelyet audio/pcmuként deklarálnak, 8000 Hz-en fut; ez az észak-amerikai és japán telefonálás szabványa. A G.711 A-law, amelyet audio/pcmaként deklarálnak, ugyanilyen jellemzőkkel bír, és az európai valamint nemzetközi telefonálásban dominál. Tehát a választás attól függ, hol működik a szolgáltatód, nem pedig az egyéni preferenciádtól.

{
  "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 }
  }
}

A beszélgetésfordulat-észlelést továbbra is a szerver végzi, nincs állítható küszöbérték. A telefonnál fontos beállítás az idle_timeout_ms: ha a hívó ennyi ideig hallgat egy válasz után, az ügynök jelentkezik, ahelyett hogy csendben hagyná a vonalat.

Amit a közvetlen SIP hozzáad

Három funkció kizárólag a közvetlen SIP útvonalon érhető el. Először is az átirányítás: a POST /v1/realtime/calls/{call_id}/refer kérés egy telefonszámra (tel:) vagy egy SIP-címre (sip:) irányítja a hívót, és a HTTP-válasz tájékoztat arról, hogy a célállomás fogadta-e a hívást; ha sikertelen, a hívó az ügynökkel marad a vonalon. Másodszor a hívásbontás a POST /v1/realtime/calls/{call_id}/hangup segítségével. Harmadszor a billentyűzet-bemenet: a hívó által megnyomott számjegyek szövegként érkeznek a modellhez (a # után, 2,5 másodperc újabb billentyűleütés nélküli szünet után, vagy amint a hívó megszólal), a send_dtmf eszköz pedig lehetővé teszi, hogy maga az ügynök nyomjon le billentyűket, például egy másik szolgáltatás telefonmenüjének navigálásához.

Amit ezzel építhetsz

Először is egy automatizált központot. Az ügynök a cég nevében köszönti a hívókat, a beszélgetés során felméri az igényeiket, majd vagy a megfelelő osztályhoz irányítja őket a refer segítségével, vagy maga kezeli az egyszerű kéréseket. Ellentétben a „nyomj 1-et az értékesítésért“ típusú telefonmenükkel, a hívók saját szavaikkal írhatják le a problémájukat a fastruktúra navigálása helyett, és ha mégis a billentyűzetet preferálják, a DTMF továbbra is rendelkezésre áll.

Egy technikai támogatási forróvonal még tovább megy. Az ügynök kérdések sorozatán keresztül diagnosztizálja a problémát, lépésről lépésre útmutatást ad, funkcióhívással jegyet hoz létre, és emberi technikushoz irányítja a hívást, ha az eset meghaladja a hatáskörét. A munkamenet-folytatás (session resumption) lehetővé teszi, hogy a beszélgetés folytatódjon, ha az ügyfél 30 percen belül visszahív, feltéve, hogy engedélyezted a folytatást, és le tudod kérni az első hívás azonosítóját.

Telefon-specifikus követelmények

A késleltetés mindennél fontosabb. A észrevehető lag arra készteti a hívókat, hogy az ügynök szavába vágjanak, és a beszélgetés szétesik. Három eszköz tartja ezt kordában: kerüld a transzkódolást, hostold az alkalmazásodat a lehető legközelebb a szolgáltatódhoz, és tartsd gyorsan futtathatónak az ügynök által hívott funkciókat, mivel egyetlen lassú CRM-lekérdezés is felőrölheti az egész késleltetési keretet. Mérd a végpontok közötti késleltetést valós hívásokon, ne támaszkodj csak benchmark adatokra.

Ezt követi a megfelelőség, ami nem tárgyalható. Tájékoztasd a hívókat, hogy AI-val beszélnek, és ha a beszélgetést rögzítik, azt a hívás elején közöld. Kezeld az átiratokat és felvételeket személyes adatként a GDPR szerint, meghatározott megőrzési idővel és egy ténylegesen működő törlési folyamattal.

Végül tervezz a hibákra, mert azok elő fognak fordulni. Ha a Voice Agent nem elérhető, egy tartalék üzenetnek kell átvennie az irányítást, különben az ügyfeleid halott vonalba futnak. Emberi átirányításnak kell életbe lépnie két vagy három egymást követő félreértés után. Az átiratok naplózása pedig anyagot szolgáltat az ismétlődő hibák felismeréséhez és az utasításaid finomhangolásához.

Főbb megállapítások

  • Három lehetőség: közvetlen SIP az xAI-jal, híd a saját szervereden keresztül, vagy egy keretrendszer, mint például a LiveKit vagy a Pipecat
  • Közvetlen SIP esetén az xAI fogadja a hívást, aláírt webhookkal értesíti az alkalmazásodat, és támogatja az átirányítást, a hívásbontást és a DTMF-billentyűket
  • Híd esetén a G.711 kodekek (audio/pcmu, audio/pcma) 8000 Hz-en elkerülik a transzkódolást
  • A beszélgetésfordulat-észlelésnek nincs állítható küszöbértéke; az idle_timeout_ms szólítja meg a hallgató hívót
  • A megfelelőség (tájékoztatás, rögzítési figyelmeztetés, GDPR) kötelező a telefonálásban