Telefónia SIP a integrácia s LiveKit
Na tejto strane
Aktualizované 3. novembra 2026 na základe príručky xAI SIP Phone Calls, stránky Voice a príkladu z kuchárky Phone Voice Agent. xAI dokáže prijímať hovory na tvoje číslo priamo cez protokol SIP, pričom podporuje presmerovanie hovorov, zavesenie a zadávanie tlačidiel DTMF. Zdroje: SIP Phone Calls · Voice · Phone Voice Agent.
Pripojenie Groku k telefónnej sieti
Hlasový agent nie je obmedzený len na webové a mobilné aplikácie. Tvoj asistent môže prijímať hovory na bežné telefónne číslo: zákazníci vytočia číslo z pevnej linky alebo mobilu a agent Grok hovor prijme. Volajúci nemusia nič inštalovať, čo je kľúčový rozdiel pre starších zákazníkov alebo oblasti so slabým pokrytím mobilným internetom.
Tri spôsoby pripojenia
Priamy SIP, štandard pre hlasovú komunikáciu cez IP, je najviac integrovanou možnosťou. Svoje číslo zaregistruješ u xAI, tvoj operátor smeruje hovory na SIP adresu xAI a xAI upozorní tvoju aplikáciu podpísaným webhookom pri každom prichádzajúcom hovore; tvoja aplikácia sa následne pripojí k hovoru cez WebSocket. Príručka xAI podrobne popisuje nastavenie pre služby Twilio, Bandwidth, Telnyx a Plivo, ako aj pre akéhokoľvek operátora alebo ústredňu PBX, ktorá dokáže otvoriť SIP trasu k danému číslu.
Most cez vlastný server vyhovuje tímom, ktoré si chcú zachovať kontrolu nad zvukovým tokom. Tvoj server prijíma zvuk hovoru (napríklad Twilio Media Streams, ako v príklade Phone Voice Agent z kuchárky xAI) a prepája ho do bežnej relácie WebSocket.
Rámcové riešenia pre komunikáciu v reálnom čase: dokumentácia xAI uvádza medzi existujúcimi integráciami LiveKit a Pipecat. Tieto riešenia zabezpečujú prenos v reálnom čase a smerovanie hovorov, čo z nich robí najrýchlejšiu cestu pre tímy, ktoré si nechcú budovať vlastnú telefónnu vrstvu.
Konfigurácia zvuku pre telefón
Pri priamom SIP sa tým nemusíš zaoberať: xAI prepája zvuk volajúceho do relácie a prehráva hlas agenta späť volajúcemu. Pri moste však záleží na formáte. Telefónna sieť funguje na úzkopásmovom audiu s vlastnými kodekmi a Hlasový agent ich prijíma natívne, čím sa vyhne akémukoľvek prekódovaniu.
G.711 μ-law, deklarovaný ako audio/pcmu, pracuje na 8000 Hz; je štandardom v severoamerickej a japonskej telefónii. G.711 A-law, deklarovaný ako audio/pcma, má rovnaké vlastnosti a dominuje v európskej a medzinárodnej telefónii. Výber teda závisí od toho, kde pôsobí tvoj operátor, nie od osobnej preferencie.
{
"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 }
}
}
Detekciu zmeny hovoriaceho stále spravuje server, bez potreby ladenia prahu. Nastavením, na ktorom v telefónii záleží, je idle_timeout_ms: ak volajúci po odpovedi agenta zostane ticho po dobu tejto hodnoty, agent sa ozve, namiesto toho, aby nechal linku tichú.
Čo pridáva priamy SIP
Tri funkcie existujú výlučne na ceste priameho SIP. Po prvé, presmerovanie: POST /v1/realtime/calls/{call_id}/refer presmeruje volajúceho na telefónne číslo (tel:) alebo SIP adresu (sip:) a HTTP odpoveď ti oznámi, či cieľová strana hovor prijala; ak zlyhá, volajúci zostane na linke s agentom. Po druhé, zavesenie, pomocou POST /v1/realtime/calls/{call_id}/hangup. Po tretie, vstup z klávesnice: číslice, ktoré volajúci stlačí, sa dostanú k modelu ako text (po stlačení #, po 2,5 sekundy bez stlačenia ďalšej klávesy alebo hneď, ako volajúci začne hovoriť) a nástroj send_dtmf umožňuje agentovi samotnému stláčať klávesy, napríklad na navigáciu v telefónnom menu inej služby.
Čo môžeš vytvoriť
Prvým krokom je automatizovaná ústredňa. Agent privíta volajúcich v mene spoločnosti, zistí, čo potrebujú, v priebehu konverzácie a následne ich buď presmeruje na správne oddelenie pomocou refer, alebo jednoduché požiadavky vybaví sám. Na rozdiel od telefónneho menu „stlačte 1 pre predaj“, volajúci opisujú svoj problém vlastnými slovami namiesto navigácie stromom možností, a ak uprednostňujú klávesnicu, DTMF je stále k dispozícii.
Linka technickej podpory ide ešte ďalej. Agent diagnostikuje problém sériou otázok, poskytne pokyny krok za krokom, vytvorí tiket prostredníctvom volania funkcií a v prípade, že problém presahuje jeho kompetencie, presmeruje hovor na ľudského technika. Obnovenie relácie dokonca umožňuje pokračovať v konverzácii, ak zákazník zavolá späť do 30 minút, za predpokladu, že máš povolené obnovenie a dokážeš získať ID prvého hovoru.
Špecifické požiadavky pre telefóniu
Latencia je nadradená všetkému ostatnému. Zbadateľné oneskorenie núti volajúcich hovoriť do reči agenta a konverzácia sa rozpadne. Tri páky udržujú latenciu pod kontrolou: vyhni sa prekódovaniu, hostuj svoju aplikáciu čo najbližšie k svojmu operátorovi a udržuj funkcie, ktoré agent volá, rýchle, keďže jediný dopyt na pomalý CRM systém môže prekročiť celý rozpočet na latenciu. Meraj oneskorenie od konca ku koncu na reálnych hovoroch, nespoliehaj sa len na benchmarkové údaje.
Ďalej prichádza zhoda s predpismi, ktorá nie je vyjednávateľná. Povedz volajúcim, že hovoria s AI, a ak sa konverzácia nahráva, oznám to hneď na začiatku. Zaobchádzaj s prepismi a nahrávkami ako s osobnými údajmi podľa nariadenia GDPR, so stanovenými lehotami uchovávania a funkčným procesom vymazania.
Nakoniec, plánuj zlyhania, pretože nastanú. Ak je Hlasový agent nedostupný, musí prevziať kontrolu záložná správa, inak sa tvoji zákazníci dostanú na nedostupnú linku. Presmerovanie na človeka by sa malo aktivovať po dvoch alebo troch po sebe idúcich nedorozumeniach. A logovanie prepisov ti poskytuje materiál na odhalenie opakujúcich sa zlyhaní a spresnenie tvojich inštrukcií.
Kľúčové poznatky
- Tri možnosti: priamy SIP s xAI, most cez tvoj server alebo rámec ako LiveKit či Pipecat
- Pri priamom SIP xAI prijme hovor, upozorní tvoju aplikáciu podpísaným webhookom a podporuje presmerovanie, zavesenie a tlačidlá DTMF
- Pri moste sa kodeky G.711 (
audio/pcmu,audio/pcma) na 8000 Hz vyhýbajú prekódovaniu - Detekcia zmeny hovoriaceho nemá žiadny prah na ladenie;
idle_timeout_msvyzve mlčiaceho volajúceho - Zhoda s predpismi (informovanie volajúcich, upozornenia na nahrávanie, GDPR) je v telefónii povinná