Przejdź do głównej treści
Polski— Wybierz język
Menu

Telefonia SIP i integracja z LiveKit

Lekcja 12 z 14 Zaktualizowano 3 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Podłącz Grok do sieci telefonicznej
  2. Trzy sposoby połączenia
  3. Konfiguracja audio dla telefonu
  4. Co dodaje bezpośredni SIP
  5. Co możesz zbudować
  6. Wymagania specyficzne dla telefonii
  7. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie przewodnika xAI SIP Phone Calls, strony Voice oraz przykładu z książki kucharskiej Phone Voice Agent. xAI może odbierać połączenia na Twój numer bezpośrednio przez protokół SIP, obsługując przekazywanie rozmów, rozłączanie oraz klawiaturę DTMF. Źródła: SIP Phone Calls · Voice · Phone Voice Agent.

Podłącz Grok do sieci telefonicznej

Agent głosowy nie ogranicza się tylko do aplikacji internetowych i mobilnych. Twój asystent może odbierać połączenia na zwykły numer telefonu: klienci dzwonią na niego z telefonu stacjonarnego lub komórkowego, a agent Grok odbiera. Dzwoniący nie muszą nic instalować, co ma kluczowe znaczenie dla starszych klientów lub obszarów o słabym zasięgu internetu mobilnego.

Trzy sposoby połączenia

Bezpośredni SIP, będący standardem w transmisji głosu przez IP (VoIP), to opcja najbardziej zintegrowana. Rejestrujesz swój numer w xAI, Twój operator przekierowuje połączenia na adres SIP xAI, a xAI powiadamia Twoją aplikację podpisanym webhookiem o każdym przychodzącym połączeniu; Twoja aplikacja dołącza następnie do rozmowy przez WebSocket. Przewodnik xAI przeprowadzi Cię przez konfigurację dla usług Twilio, Bandwidth, Telnyx i Plivo, a także dla dowolnego operatora lub centrali PBX, które mogą otworzyć trasę SIP do tego numeru.

Mostek przez własny serwer odpowiada zespołom, które chcą zachować kontrolę nad strumieniem audio. Twój serwer odbiera audio z połączenia (na przykład za pomocą Twilio Media Streams, jak w przykładzie Phone Voice Agent z książki kucharskiej xAI) i przesyła je dalej do zwykłej sesji WebSocket.

Frameworki czasu rzeczywistego: dokumentacja xAI wymienia wśród istniejących integracji LiveKit i Pipecat. Zajmują się one transportem w czasie rzeczywistym i routowaniem połączeń, co czyni je najkrótszą drogą dla zespołów, które nie chcą budować własnej warstwy telefonicznej.

Konfiguracja audio dla telefonu

W przypadku bezpośredniego połączenia SIP nie musisz się tym martwić: xAI przesyła audio dzwoniącego do sesji i odtwarza głos agenta z powrotem do niego. W architekturze mostka format ma jednak znaczenie. Sieć telefoniczna działa na audio wąskopasmowym z własnymi kodekami, a Agent Głosowy obsługuje je natywnie, co eliminuje konieczność transkodowania.

G.711 μ-law, deklarowany jako audio/pcmu, działa z częstotliwością 8000 Hz; jest to standard w telefonii północnoamerykańskiej i japońskiej. G.711 A-law, deklarowany jako audio/pcma, ma te same charakterystyki i dominuje w telefonii europejskiej oraz międzynarodowej. Wybór zależy więc od tego, gdzie działa Twój operator, a nie od osobistych preferencji.

{
  "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 }
  }
}

Wykrywanie zmiany mówcy (turn detection) nadal obsługuje serwer, bez progu do strojenia. Ustawieniem istotnym w telefonii jest idle_timeout_ms: jeśli dzwoniący milczy przez taki czas po odpowiedzi agenta, agent zgłasza się ponownie, zamiast pozostawiać linię w ciszy.

Co dodaje bezpośredni SIP

Trzy funkcje dostępne są wyłącznie na ścieżce bezpośredniego SIP. Po pierwsze, przekazywanie: POST /v1/realtime/calls/{call_id}/refer kieruje dzwoniącego na numer telefonu (tel:) lub adres SIP (sip:), a odpowiedź HTTP informuje, czy adresat odebrał; jeśli się nie uda, dzwoniący pozostaje na linii z agentem. Po drugie, rozłączanie, realizowane przez POST /v1/realtime/calls/{call_id}/hangup. Po trzecie, wprowadzanie z klawiatury: cyfry naciskane przez dzwoniącego docierają do modelu jako tekst (po naciśnięciu #, po 2,5 sekundy bez naciśnięcia nowego klawisza lub natychmiast, gdy dzwoniący zacznie mówić), a narzędzie send_dtmf pozwala agentowi samemu naciskać klawisze, na przykład aby nawigować po menu telefonicznym innej usługi.

Co możesz zbudować

Na pierwszym miejscu stoi automatyczna centrala. Agent wita dzwoniących w imieniu firmy, ustala, czego potrzebują, w miarę rozwoju rozmowy, a następnie albo przekazuje ich do odpowiedniego działu za pomocą refer, albo samodzielnie obsługuje proste żądania. W przeciwieństwie do menu telefonicznego „naciśnij 1 dla sprzedaży“, dzwoniący opisują swój problem własnymi słowami, zamiast nawigować po drzewie opcji, a jeśli wolą użyć klawiatury, obsługa DTMF jest nadal dostępna.

Infolinia wsparcia technicznego idzie o krok dalej. Agent diagnozuje problem poprzez serię pytań, udziela instrukcji krok po kroku, tworzy zgłoszenie poprzez wywołanie funkcji i przekazuje sprawę człowiekowi-technikowi, gdy przypadek wykracza poza jego zakres. Wznowienie sesji pozwala nawet kontynuować rozmowę, jeśli klient oddzwoni w ciągu 30 minut, pod warunkiem że włączono wznowienie i można pobrać identyfikator pierwszego połączenia.

Wymagania specyficzne dla telefonii

Opóźnienie jest najważniejsze. Zauważalne opóźnienie skłania dzwoniących do przerywania agentowi, co prowadzi do załamania rozmowy. Trzy dźwignie pozwalają to kontrolować: unikaj transkodowania, hostuj swoją aplikację jak najbliżej swojego operatora i dbaj o szybkość funkcji wywoływanych przez agenta, ponieważ pojedyncze zapytanie do wolnego systemu CRM może zrujnować cały budżet opóźnień. Mierz opóźnienie end-to-end na rzeczywistych połączeniach, zamiast polegać na wynikach benchmarków.

Kolejna kwestia to zgodność z przepisami, która nie podlega negocjacjom. Poinformuj dzwoniących, że rozmawiają ze sztuczną inteligencją, a jeśli rozmowa jest nagrywana, powiedz o tym na początku. Traktuj transkrypcje i nagrania jako dane osobowe zgodnie z RODO, określając okresy przechowywania i wdrażając proces usuwania, który faktycznie działa.

Na koniec zaplanuj awarie, ponieważ na pewno wystąpią. Komunikat zastępczy musi przejąć kontrolę, jeśli Agent Głosowy jest niedostępny, inaczej Twoi klienci trafią na martwą linię. Przekazanie do człowieka powinno nastąpić po dwóch lub trzech kolejnych nieporozumieniach. Logowanie transkrypcji daje Ci materiał do wykrywania powtarzających się błędów i udoskonalania instrukcji.

Kluczowe wnioski

  • Trzy opcje: bezpośredni SIP z xAI, mostek przez Twój serwer lub framework taki jak LiveKit czy Pipecat
  • Przy bezpośrednim SIP xAI odbiera połączenie, powiadamia Twoją aplikację podpisanym webhookiem i obsługuje przekazywanie, rozłączanie oraz klawisze DTMF
  • W mostku kodeki G.711 (audio/pcmu, audio/pcma) przy 8000 Hz eliminują potrzebę transkodowania
  • Wykrywanie zmiany mówcy nie wymaga strojenia progu; idle_timeout_ms inicjuje kontakt z milczącym dzwoniącym
  • Zgodność z przepisami (informowanie dzwoniących, komunikaty o nagrywaniu, RODO) jest w telefonii obowiązkowa