Telefonija: SIP, LiveKit u G.711
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026, ibbażat fuq il-gwida SIP Phone Calls ta’ xAI, il-paġna Speech to Speech, u l-eżempju tal-kotba tar-riċetti Phone Voice Agent. xAI jista’ jwieġeb is-sejħiet fuq in-numru tiegħek stess (SIP dirett, webhook iffirmat, trasferiment, qtugħ, ċwievet DTMF), flimkien ma’ pont permezz tas-server tiegħek stess. Sorsi: SIP Phone Calls · Speech to Speech · Phone Voice Agent.
Qabbad l-API tal-Aġent Vuwkali man-network tat-telefon
L-API tal-Aġent Vuwkali tista’ tieħu sejħiet telefoniċi: il-klijenti tiegħek iċempelju numru ordinarju u jitkellmu mal-aġent Grok tiegħek. Tliet mogħdijiet iwassluk hemm, mill-aktar integrat għall-aktar flessibbli.
Mogħdija 1: SIP dirett ma’ xAI
F’dan il-mod, xAI jwieġeb is-sejħa nnifsu. Is-sejħa tinżel fuq l-infrastruttura SIP ta’ xAI, li tavżak permezz ta’ webhook; l-app tiegħek tingħaqad mas-sejħa fuq WebSocket u tmexxi l-aġent.
- Irreġistra n-numru. Iddikjara numru “Direct SIP” ma’ xAI, flimkien mal-indirizz tal-webhook li se jirċievi s-sejħiet li qed jaslu. Għal numru li għandek int, uża
origin: "byo_trunk": xAI ma jipprovdix numri permezz tal-API. Ir-risposta fiha sigriet ta’ firma, li jiġi rritornat darba biss, allura aħżnu fil-vault tas-sigrieti tiegħek. - Irrota l-operatur tiegħek. Ikkonfigura l-operatur jew il-PBX tiegħek biex jibgħat is-sejħiet lejn
sip:{number}@sip.voice.x.ai. xAI jaċċetta s-sinjalar SIP fuq TLS fuq il-port 5061, jew TCP jew UDP fuq il-port 5060; ippreferi;transport=tlsmeta l-operatur tiegħek jappoġġjah. - Irċievi l-webhook. Għal kull sejħa, xAI jibgħat webhook iffirmat
realtime.call.incoming. Ivverifika l-intestaturiwebhook-id,webhook-timestamp, uwebhook-signaturebis-sigriet tal-firma, imbagħad aqradata.call_id. - Ingħaqad mas-sejħa. Iftaħ
wss://api.x.ai/v1/realtime?call_id={call_id}bil-key tal-API tiegħek (tokens effimeri ma jiġux aċċettati għal sessjoni SIP), ibgħatsession.update, imbagħadresponse.createmeta l-aġent għandu jitkellem.
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
Ladarba tkun konness, is-sessjoni tiġi bħal kwalunkwe sessjoni vokali oħra: xAI jgħaddi l-awdjo ta’ min iċempel u jdoqq lura l-aġent lilu, mingħajr ma s-server tiegħek iġorr kwalunkwe ħoss.
Trasferiment jew qtugħ
Żewġ sejħiet REST jikkontrollaw il-linja. POST /v1/realtime/calls/{call_id}/refer, b’target_uri fil-forma tel: jew sip:, jittrasferixxi lil min iċempel; it-talba tistenna r-riżultat tat-trasferiment. 200 b’korp vojt ifisser li d-destinazzjoni wieġbet; 502 iġorr il-kodiċi ta’ rifjut SIP, u 504 jissinjala time-out. Wara falliment, is-sessjoni tibqa’ miftuħa u l-aġent jista’ jkompli jitkellem: tiddependi fuqek li taqra r-rispons u, jekk ikun meħtieġ, tagħmel lill-aġent jispjega l-intopp. POST /v1/realtime/calls/{call_id}/hangup itemm is-sejħa.
Input tat-tastiera (DTMF)
F’sessjoni SIP, iċ-ċwievet li jħabbat min iċempel jiġu bbuffrjati u mbagħad mgħoddija lill-mudell bħala test hekk kif min iċempel iħabbat #, wara 2.5 sekondi mingħajr ċavetta ġdida, jew hekk kif jibdew jitkellmu. Il-klijent tiegħek jirċievi avveniment wieħed input_audio_buffer.dtmf_event_received għal kull ċavetta, sabiex tkun tista’ żżomm rekord. Biex tħalli lill-aġent iħabbat iċ-ċwievet huwa stess, pereżempju biex jinnaviga menu tat-telefon ta’ servizz ieħor, żid {"type": "function", "name": "send_dtmf"} mal-għodod tiegħu, mingħajr parametri: l-API tipprovdi l-iskema u tibgħat it-toni, u m’intix trid twieġeb dawn is-sejħiet tal-funzjoni. Dawn l-avvenimenti jeżistu biss fuq sessjoni SIP.
Operaturi dokumentati
Il-gwida ta’ xAI tgħaddi mill-installazzjoni għal erba’ operaturi (Twilio, b’Elastic SIP Trunking u t-trasferiment tas-sejħiet attivat fuq it-trunk jekk tittrasferixxi s-sejħiet; Bandwidth; Telnyx; u Plivo) u għal kwalunkwe operatur, ċentru ta’ kuntatt, jew PBX li jista’ jiftaħ rotta SIP lejn l-indirizz tan-numru tiegħek. Fuq in-naħa tal-codec, l-eżempju ta’ Telnyx jitlobek tattivà mill-inqas G.711 μ-law, G.711 A-law, jew G.722.
Mogħdija 2: Pont permezz tas-server tiegħek stess
Jekk trid iżżomm il-kontroll tal-fluss tal-awdjo, is-server tiegħek jirċievi l-awdjo tas-sejħa u jgħaddih lil sessjoni regolari ta’ WebSocket. Dik hija l-arkitettura tal-eżempju Phone Voice Agent tal-kotba tar-riċetti ta’ xAI: Twilio jstreamja l-awdjo tas-sejħa f’μ-law permezz tal-Media Streams tiegħu, u s-server jgħaddih lill-API kif inhu, mingħajr konverżjoni, fiż-żewġ direzzjonijiet.
# 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(),
}))
L-API taċċetta nattivament iż-żewġ varjanti ta’ G.711, li jevita kwalunkwe transkoding: audio/pcmu (μ-law, l-istandard tal-Amerika ta’ Fuq u l-Ġappun) u audio/pcma (A-law, l-istandard fl-Ewropa u fil-biċċa l-kbira tal-pajjiżi l-oħra), it-tnejn f’8000 Hz.
{
"audio": {
"input": {"format": {"type": "audio/pcma", "rate": 8000}},
"output": {"format": {"type": "audio/pcma", "rate": 8000}}
}
}
Iċ-ċwiefet DTMF u s-sejħiet REST ta’ trasferiment u qtugħ jappartjenu għall-mogħdija diretta ta’ SIP: f’pont, l-operatur tiegħek jimmaniġġjahom.
Mogħdija 3: Qafas f’ħin reali
Id-dokumentazzjoni ta’ xAI telenka żewġ integrazzjonijiet lesti: LiveKit Agents u Pipecat. Dawn jimmaniġġjaw it-trasport f’ħin reali (WebRTC, kmamar, irrottar tas-sejħiet) u jqabbdu lill-aġent vokali Grok fil-post it-tajjeb, li jiffranka lil tim li ma jridx jibni saff ta’ telefonija milli jagħmel hekk.
Fil-produzzjoni
Immaniġġja s-silenzji. Fit-telefon, min iċempel li jissieket iħalli linja mejta. turn_detection.idle_timeout_ms jagħmel lill-aġent jiċċekkja ma’ min iċempel wara silenzju tat-tul li tagħżel int (lezzjoni 6).
Erġa’ ħu konversazzjoni fuq sejħa ġdida. Ir-ripristinar tas-sessjoni jaħdem ukoll fuq SIP: attiva resumption.enabled fuq l-ewwel sejħa u żomm il-call_id tagħha. Meta l-klijent jerġa’ jċempel, iftaħ wss://api.x.ai/v1/realtime?call_id={new_call_id}&conversation_id={previous_call_id} u ibgħat l-istess session.update mill-ġdid. L-istorja tiskadi wara 30 minuta ta’ inattività.
Segwi r-regoli. Għid lil min iċempel li qed jitkellem ma’ AI u, jekk tirreġistra s-sejħiet, għid hekk fil-bidu. Għal data dwar is-saħħa, xAI jgħid li BAA (Ftehim ta’ Assoċjat tan-Negozju) jista’ jiġi ffirmat wara kwestjonarju.
Kejjel il-latency tiegħek. Id-dewmien li jħoss min iċempel jgħodd in-network tat-telefon, il-pont tiegħek jekk ikollok wieħed, u l-ġenerazzjoni tar-rispons. Kejjlu minn tarf sa tarf fuq sejħiet reali, u żżomm il-funzjonijiet li jsejjaħ l-aġent matul il-konversazzjoni mgħaġġla.
Punti Ewlenin
- Bis-SIP dirett, xAI jwieġeb in-numru tiegħek, javżak b’webhook iffirmat
realtime.call.incoming, u tingħaqad mas-sejħa permezz ta’wss://api.x.ai/v1/realtime?call_id=… referjittrasferixxi s-sejħa (ir-riżultat jerġa’ lura fir-rispons HTTP), uhangupitemmha- Iċ-ċwievet DTMF jaslu għand il-mudell u jiġu rreġistrati permezz ta’
input_audio_buffer.dtmf_event_received; l-għoddasend_dtmftħalli lill-aġent iħabbat iċ-ċwievet - F’pont permezz tas-server tiegħek, G.711 nattiva (
audio/pcmu,audio/pcma) jevita t-transkoding - LiveKit Agents u Pipecat huma l-integrazzjonijiet elenkati minn xAI