Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Telefonia SIP e integração com o LiveKit

Aula 12 de 14 Atualizada a 3 de novembro de 2026 Intermediario
Nesta página
  1. Ligar o Grok à rede telefónica
  2. Três formas de estabelecer a ligação
  3. Configurar o áudio para o telefone
  4. O que o SIP direto acrescenta
  5. O que pode construir com isto
  6. Requisitos específicos do telefone
  7. Pontos-chave

Atualizado em 3 de novembro de 2026, com base no guia SIP Phone Calls, na página Voice e no exemplo de livro de receitas Phone Voice Agent da xAI. A xAI pode atender chamadas no seu número diretamente via SIP, com suporte para transferência de chamada, desligamento e teclado DTMF. Fontes: SIP Phone Calls · Voice · Phone Voice Agent.

Ligar o Grok à rede telefónica

O Agente de Voz não se limita a aplicações web e móveis. O seu assistente pode atender um número de telefone comum: os clientes marcam-no a partir de uma linha fixa ou de um telemóvel, e o agente Grok atende. Os chamadores não precisam de instalar nada, o que faz toda a diferença para clientes mais idosos ou em zonas com fraca cobertura de internet móvel.

Três formas de estabelecer a ligação

SIP direto, o padrão para voz sobre IP, é a opção mais integrada. Regista o seu número na xAI, a sua operadora encaminha as chamadas para o endereço SIP da xAI, e a xAI notifica a sua aplicação com um webhook assinado para cada chamada recebida; a sua aplicação junta-se então à chamada via WebSocket. O guia da xAI detalha a configuração para Twilio, Bandwidth, Telnyx e Plivo, bem como para qualquer operadora ou PBX capaz de abrir uma rota SIP para esse número.

Uma ponte através do seu próprio servidor adequa-se a equipas que desejam manter o controlo do fluxo de áudio. O seu servidor recebe o áudio da chamada (por exemplo, Twilio Media Streams, como no exemplo Phone Voice Agent do livro de receitas da xAI) e retransmite-o para uma sessão WebSocket normal.

Frameworks em tempo real, finalmente: a documentação da xAI lista o LiveKit e o Pipecat entre as integrações existentes. Estes gerem o transporte em tempo real e o encaminhamento de chamadas, tornando-os o caminho mais curto para uma equipa que não queira construir a sua própria camada de telefonia.

Configurar o áudio para o telefone

Com o SIP direto, não precisa de se preocupar com isso: a xAI retransmite o áudio do chamador para a sessão e reproduz a voz do agente para ele. Numa ponte, no entanto, o formato importa. A rede telefónica funciona com áudio de banda estreita e os seus próprios codecs, e o Agente de Voz aceita-os nativamente, o que evita qualquer transcodificação.

O G.711 μ-law, declarado como audio/pcmu, opera a 8000 Hz; é o padrão na telefonia norte-americana e japonesa. O G.711 A-law, declarado como audio/pcma, tem as mesmas características e domina a telefonia europeia e internacional. Deve, portanto, escolher com base na localização da sua operadora, e não numa preferência pessoal.

{
  "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 deteção de turnos continua a ser gerida pelo servidor, sem limiar para ajustar. A definição importante no telefone é idle_timeout_ms: se o chamador ficar em silêncio durante esse período após uma resposta, o agente verifica a situação em vez de deixar a linha muda.

O que o SIP direto acrescenta

Três funcionalidades existem apenas no caminho SIP direto. Primeiro, transferência: POST /v1/realtime/calls/{call_id}/refer envia o chamador para um número de telefone (tel:) ou um endereço SIP (sip:), e a resposta HTTP indica se o destino atendeu; se falhar, o chamador permanece na linha com o agente. Segundo, desligar, com POST /v1/realtime/calls/{call_id}/hangup. Terceiro, entrada de teclado: os dígitos que o chamador prime chegam ao modelo como texto (após #, após 2,5 segundos sem nova tecla, ou assim que o chamador falar), e a ferramenta send_dtmf permite ao agente premir teclas ele próprio, por exemplo, para navegar no menu telefónico de outro serviço.

O que pode construir com isto

Uma central automática vem em primeiro lugar. O agente saúda os chamadores em nome da empresa, descobre do que precisam à medida que a conversa evolui e, em seguida, transfere-os para o departamento certo com refer ou trata ele próprio de pedidos simples. Ao contrário de um menu telefónico “prima 1 para vendas”, os chamadores descrevem o seu problema com as suas próprias palavras em vez de navegar numa árvore, e se preferirem o teclado, o DTMF continua disponível.

Uma linha de apoio técnico vai mais longe. O agente diagnostica o problema através de uma série de perguntas, dá instruções passo a passo, cria um ticket através de chamada de função e transfere para um técnico humano quando o caso ultrapassa o seu âmbito. A retoma de sessão permite até que a conversa continue se o cliente voltar a ligar dentro de 30 minutos, desde que tenha ativado a retoma e consiga recuperar o ID da primeira chamada.

Requisitos específicos do telefone

A latência supera tudo o resto. Um atraso perceptível leva os chamadores a falar por cima do agente, e a conversa desmorona-se. Três alavancas mantêm-na sob controlo: evite a transcodificação, aloje a sua aplicação o mais perto possível da sua operadora e mantenha rápidas as funções que o agente chama, uma vez que uma única consulta a um CRM lento pode estourar todo o orçamento de latência. Meça o atraso de ponta a ponta em chamadas reais em vez de confiar num valor de referência.

Em seguida vem a conformidade, que não é negociável. Informe os chamadores de que estão a falar com uma IA e, se a conversa for gravada, diga-o no início. Trate as transcrições e gravações como dados pessoais ao abrigo do RGPD, com períodos de retenção definidos e um processo de eliminação que funcione efetivamente.

Finalmente, planeie falhas, porque elas acontecerão. Uma mensagem de fallback deve assumir o controlo se o Agente de Voz estiver indisponível, caso contrário os seus clientes encontrarão uma linha morta. Uma transferência para um humano deve ser acionada após dois ou três mal-entendidos consecutivos. E o registo de transcrições fornece-lhe o material necessário para detetar falhas recorrentes e refinar as suas instruções.

Pontos-chave

  • Três opções: SIP direto com a xAI, uma ponte através do seu servidor ou um framework como o LiveKit ou o Pipecat
  • Com o SIP direto, a xAI atende a chamada, notifica a sua aplicação com um webhook assinado e suporta transferência, desligar e teclas DTMF
  • Numa ponte, os codecs G.711 (audio/pcmu, audio/pcma) a 8000 Hz evitam a transcodificação
  • A deteção de turnos não tem limiar para ajustar; idle_timeout_ms solicita um chamador em silêncio
  • A conformidade (informar os chamadores, avisos de gravação, RGPD) é obrigatória na telefonia