Integrazzjoni tat-Telefonija (Twilio, eċċ.)
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026 abbażi tad-dokumentazzjoni tal-API f’ħin reali: il-format G.711 μ-law huwa msejjaħ
audio/pcmu(it-test preċedentem semmag711_ulaw, li kien l-isem tal-beta). Sors: API f’ħin reali.
Aġġornament tat-2 ta’ Novembru 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati:
tts-1,tts-1-hd, ugpt-4o-mini-ttsse jieqfu jaħdmu fis-6 ta’ Jannar 2027 (is-sostitut indikat huwagpt-realtime-2.1-mini, li l-gwida TTS ta’ OpenAI tiddikjara li mhux appoġġjata minn/v1/audio/speech: il-migrazzjoni tas-sinteżi tal-kliem trid tgħaddi mill-API f’ħin reali);gpt-realtime,gpt-4o-realtime, u mudelli tal-awdjo legacy fl-20 ta’ Jannar 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, u/v1/audio/translationsfis-26 ta’ Frar 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Għall-vuċi full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru 2026.
Integrazzjoni tat-Telefonija (Twilio, eċċ.)
Aġent tal-vuċi jsir verament utli meta jkun aċċessibbli bit-telefon. Pjattaformi tat-telefonija fil-cloud bħal Twilio, LiveKit, u Daily jħalluk tikkonnettja l-API f’ħin reali man-network telefoniku globali. Utent idur numru, u l-aġent tiegħek iwieġeb f’ħin reali.
Arkitettura tat-Telefonija
L-integrazzjoni tat-telefonija żżid saff bejn in-network telefoniku u l-API f’ħin reali:
Sejħa Li Tidħol → Twilio
L-utent idur numru tat-telefon. Twilio tirċievi s-sejħa u tibgħat webhook lis-server tiegħek.
Is-Server Tiegħek → Fluss tal-Midja
Is-server tiegħek iwieġeb b'istruzzjonijiet TwiML li jiftħu WebSocket ta' Fluss tal-Midja bidirezzjonali.
Fluss tal-Midja ↔ API f'ħin reali
Is-server tiegħek jgħaddi l-awdjo bejn il-Fluss tal-Midja ta' Twilio u l-API f'ħin reali ta' OpenAI.
Rispons tal-Vuċi → Utent
L-awdjo tar-rispons mill-API f'ħin reali jintbagħat lura permezz ta' Twilio lit-telefon tal-utent.
Implimentazzjoni ma’ Twilio
Webhook għal Sejħa Li Tidħol
Meta tasal sejħa, Twilio tibgħat talba HTTP lis-server tiegħek. Inti twieġeb b’TwiML li jiftaħ Fluss tal-Midja:
from fastapi import FastAPI, Request
from fastapi.responses import Response
app = FastAPI()
@app.post("/incoming-call")
async def incoming_call(request: Request):
"""Twilio webhook for incoming calls."""
twiml = """<?xml version="1.0" encoding="UTF-8"?>
<Response>
<Say language="en-US">
Welcome to Corsen AI. Connecting you to your voice assistant.
</Say>
<Connect>
<Stream url="wss://your-server.com/media-stream">
<Parameter name="caller" value="{caller_number}" />
</Stream>
</Connect>
</Response>"""
form_data = await request.form()
caller = form_data.get("From", "unknown")
twiml = twiml.replace("{caller_number}", caller)
return Response(content=twiml, media_type="application/xml")
Il-Pont bejn il-Fluss tal-Midja u l-API f’ħin reali
Is-server WebSocket jirċievi l-awdjo mingħand Twilio u jgħaddih lill-API f’ħin reali:
from fastapi import WebSocket
import websockets
import json
import base64
import audioop
import asyncio
OPENAI_API_KEY = "sk-..."
REALTIME_URL = "wss://api.openai.com/v1/realtime?model=gpt-realtime-2.1"
@app.websocket("/media-stream")
async def media_stream(twilio_ws: WebSocket):
"""Bridge between Twilio Media Stream and the Realtime API."""
await twilio_ws.accept()
# Connect to the Realtime API
headers = {
"Authorization": f"Bearer {OPENAI_API_KEY}"
}
async with websockets.connect(REALTIME_URL, additional_headers=headers) as openai_ws:
await openai_ws.recv() # session.created
# Configure the session
await openai_ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"instructions": "You are a phone assistant. "
"Respond in English, concisely.",
"audio": {
"input": {
"format": {"type": "audio/pcmu"},
"turn_detection": {
"type": "server_vad",
"threshold": 0.5,
"silence_duration_ms": 600
}
},
"output": {
"format": {"type": "audio/pcmu"},
"voice": "marin"
}
}
}
}))
await openai_ws.recv()
stream_sid = None
async def twilio_to_openai():
nonlocal stream_sid
async for message in twilio_ws.iter_text():
data = json.loads(message)
if data["event"] == "media":
audio_b64 = data["media"]["payload"]
await openai_ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
elif data["event"] == "start":
stream_sid = data["start"]["streamSid"]
async def openai_to_twilio():
async for message in openai_ws:
event = json.loads(message)
if event["type"] == "response.output_audio.delta":
await twilio_ws.send_json({
"event": "media",
"streamSid": stream_sid,
"media": {
"payload": event["delta"]
}
})
await asyncio.gather(twilio_to_openai(), openai_to_twilio())
Format tal-Awdjo G.711
It-telefonija tuża l-format G.711 μ-law (8 kHz, bajt wieħed għal kull kampjun). L-API f’ħin reali tappoġġja dan nativament taħt l-isem audio/pcmu, li tiddikjara kemm għall-input kif ukoll għall-output (audio.input.format u audio.output.format, bħall-kodiċi hawn fuq). Dan jevita kwalunkwe konverżjoni fuq is-server. L-isem g711_ulaw kien jappartjeni għall-beta tal-API; l-ekwivalenti A-law huwa msejjaħ audio/pcma.
Alternattivi għal Twilio
| Pjattaforma | Qawwa | Integrazzjoni mal-API f'ħin reali |
|---|---|---|
| Twilio | Ekosistema sħiħa, numri f'aktar minn 100 pajjiż | Flussi tal-Midja WebSocket nattivi |
| LiveKit | Sors miftuħ, latenza baxxa, WebRTC | Plugin uffiċjali ta' OpenAI |
| Daily | Sempliċi, ospitat, tajjeb għall-prototipar | SDK Pipecat b'konnettur f'ħin reali |
Punti Ewlenin
- Il-Flussi tal-Midja ta’ Twilio jħalluk tikkonnettja sejħa telefonika ma’ WebSocket bidirezzjonali
- Is-server tiegħek jaġixxi bħala pont bejn il-Fluss tal-Midja ta’ Twilio u l-API f’ħin reali ta’ OpenAI
- Il-format G.711 μ-law huwa nattivi għat-telefonija u appoġġjat direttament mill-API f’ħin reali
- LiveKit (sors miftuħ, WebRTC) u Daily (ospitat) huma alternattivi vijabbli għal Twilio
- L-arkitettura hija dejjem l-istess: telefonija → is-server tiegħek → API f’ħin reali