Telefonie SIP și integrarea LiveKit
Pe această pagină
Actualizat la 3 noiembrie 2026, pe baza ghidului xAI SIP Phone Calls, a paginii Voice și a exemplului din cookbook-ul Phone Voice Agent. xAI poate prelua apeluri pe numărul dumneavoastră direct prin SIP, oferind suport pentru transfer de apel, închidere și tastatură DTMF. Surse: SIP Phone Calls · Voice · Phone Voice Agent.
Conectarea Grok la rețeaua telefonică
Agentul Voice nu se limitează la aplicațiile web și mobile. Asistentul dumneavoastră poate prelua apeluri pe un număr de telefon obișnuit: clienții formează numărul de pe un telefon fix sau mobil, iar agentul Grok răspunde. Apelantul nu are nevoie să instaleze nimic, ceea ce face diferența pentru clienții în vârstă sau pentru zonele cu acoperire slabă de internet mobil.
Trei modalități de conectare
SIP direct, standardul pentru voce peste IP, este opțiunea cea mai integrată. Înregistrați numărul la xAI, operatorul dumneavoastră direcționează apelurile către adresa SIP a xAI, iar xAI notifică aplicația dumneavoastră printr-un webhook semnat pentru fiecare apel primit; aplicația dumneavoastră se alătură apoi apelului prin WebSocket. Ghidul xAI prezintă configurarea pentru Twilio, Bandwidth, Telnyx și Plivo, precum și pentru orice operator sau PBX care poate deschide o rută SIP către acel număr.
Un pod prin propriul server se potrivește echipelor care doresc să păstreze controlul asupra fluxului audio. Serverul dumneavoastră primește audio-ul apelului (de exemplu, Twilio Media Streams, ca în exemplul Phone Voice Agent din cookbook-ul xAI) și îl retransmite către o sesiune WebSocket obișnuită.
Framework-uri în timp real, în final: documentația xAI listează LiveKit și Pipecat printre integrările existente. Acestea gestionează transportul în timp real și rutarea apelurilor, ceea ce le face cea mai scurtă cale pentru o echipă care nu dorește să își construiască propriul strat de telefonie.
Configurarea audio pentru telefon
Cu SIP direct, nu trebuie să vă faceți griji: xAI retransmite audio-ul apelantului în sesiune și redă vocea agentului către acesta. În cazul unui pod, totuși, formatul contează. Rețeaua telefonică funcționează pe audio în bandă îngustă cu propriile codecuri, iar Agentul Voice le acceptă nativ, evitând astfel orice transcodare.
G.711 μ-law, declarat ca audio/pcmu, rulează la 8000 Hz; este standardul în telefonia din America de Nord și Japonia. G.711 A-law, declarat ca audio/pcma, are aceleași caracteristici și domină telefonia europeană și internațională. Așadar, alegerea se face în funcție de zona de operare a operatorului dumneavoastră, nu de preferințele personale.
{
"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 }
}
}
Detecția schimbării de vorbitor este gestionată tot de server, fără niciun prag de ajustat. Setarea importantă pentru telefon este idle_timeout_ms: dacă apelantul tăcește atât de mult timp după un răspuns, agentul verifică situația în loc să lase linia mută.
Ce aduce SIP direct
Trei funcționalități există doar pe calea SIP direct. În primul rând, transferul: POST /v1/realtime/calls/{call_id}/refer direcționează apelantul către un număr de telefon (tel:) sau o adresă SIP (sip:), iar răspunsul HTTP vă indică dacă destinația a răspuns; dacă eșuează, apelantul rămâne pe linie cu agentul. În al doilea rând, închiderea apelului, cu POST /v1/realtime/calls/{call_id}/hangup. În al treilea rând, input-ul de la tastatură: cifrele pe care apelantul le apasă ajung la model sub formă de text (după #, după 2,5 secunde fără o nouă apăsare sau imediat ce apelantul vorbește), iar instrumentul send_dtmf permite agentului să apese el însuși taste, de exemplu pentru a naviga prin meniul telefonic al altui serviciu.
Ce puteți construi cu aceasta
Un centralist automatizat vine în primul rând. Agentul salută apelantii în numele companiei, identifică nevoile acestora pe măsură ce conversația se desfășoară, apoi fie îi transferă către departamentul corect folosind refer, fie gestionează singur solicitările simple. Spre deosebire de un meniu telefonic de tip „apăsați 1 pentru vânzări“, apelantii își descriu problema cu propriile cuvinte în loc să navigheze printr-un arbore, iar dacă preferă tastatura, DTMF este tot acolo.
O linie telefonică de suport tehnic merge mai departe. Agentul diagnostichează problema printr-o serie de întrebări, oferă instrucțiuni pas cu pas, creează un tichet prin apelarea de funcții și transferă către un tehnician uman când cazul depășește sfera sa de competență. Reluarea sesiunii permite chiar continuarea conversației dacă clientul sună din nou în decurs de 30 de minute, atâta timp cât ați activat reluarea și puteți recupera ID-ul primului apel.
Cerințe specifice telefoniei
Latența primează asupra tuturor. Un decalaj vizibil îi determină pe apelanti să vorbească peste agent, iar conversația se destramă. Trei pârghii o mențin sub control: evitați transcodarea, găzduiți aplicația cât mai aproape de operatorul dumneavoastră și mențineți rapide funcțiile pe care le apelează agentul, deoarece o singură interogare către un CRM lent poate epuiza întregul buget de latență. Măsurați întârzierea end-to-end pe apeluri reale, nu vă bazați pe o cifră de benchmark.
Urmează conformitatea, care nu este negociabilă. Informați apelantii că vorbesc cu un AI și, dacă conversația este înregistrată, menționați acest lucru la început. Tratați transcrierile și înregistrările ca date cu caracter personal conform GDPR, cu perioade de retenție definite și un proces de ștergere care funcționează efectiv.
În final, planificați eșecurile, deoarece se vor întâmpla. Un mesaj de fallback trebuie să preia controlul dacă Agentul Voice nu este disponibil, altfel clienții dumneavoastră vor da peste o linie moartă. Un transfer către un om ar trebui să intervină după două sau trei neînțelegeri consecutive. Iar jurnalizarea transcrierilor vă oferă materialul necesar pentru a identifica eșecurile recurente și a vă rafina instrucțiunile.
Puncte cheie
- Trei opțiuni: SIP direct cu xAI, un pod prin serverul dumneavoastră sau un framework precum LiveKit sau Pipecat
- Cu SIP direct, xAI preia apelul, notifică aplicația dumneavoastră printr-un webhook semnat și suportă transferul, închiderea și tastele DTMF
- Într-un pod, codecurile G.711 (
audio/pcmu,audio/pcma) la 8000 Hz evită transcodarea - Detecția schimbării de vorbitor nu are prag de ajustat;
idle_timeout_mssolicită intervenția pentru un apelant tăcut - Conformitatea (informarea apelantilor, notificările de înregistrare, GDPR) este obligatorie în telefonie