Telefonija SIP in integracija z LiveKit
Na tej strani
Posodobljeno 3. novembra 2026 na podlagi vodnika xAI SIP Phone Calls, strani Voice in primera iz kuharice Phone Voice Agent. xAI lahko samostojno odgovarja na klice na tvojo številko prek protokola SIP, s podporo za preusmeritev klicev, prekinitev povezave in vnos prek tipkovnice (DTMF). Viri: SIP Phone Calls · Voice · Phone Voice Agent.
Poveži Grok s telefonskim omrežjem
Glasovni agent ni omejen le na spletne in mobilne aplikacije. Tvoj asistent lahko odgovori na navadno telefonsko številko: stranke jo pokličejo s stacionarnega ali mobilnega telefona, agent Grok pa klic sprejme. Klicateljem ni treba nameščati ničesar, kar je ključna prednost pri starejših uporabnikih ali na območjih s slabo mobilno internetno povezavo.
Trije načini povezave
Neposredni SIP, standard za glasovni prenos prek IP (VoIP), je najbolj integrirana možnost. Svojo številko registriraš pri xAI, tvoj operater preusmeri klice na SIP-naslov xAI, xAI pa tvojo aplikacijo ob vsakem dohodnem klicu obvesti s podpisanim spletnim klicem (webhook); tvoja aplikacija se nato prek WebSocket-a pridruži klicu. Vodnik xAI podrobno opisuje nastavitev za ponudnike Twilio, Bandwidth, Telnyx in Plivo ter za katerega koli operaterja ali centralo (PBX), ki lahko odpre pot SIP do te številke.
Most prek lastnega strežnika je primeren za ekipe, ki želijo obdržati nadzor nad zvočnim tokom. Tvoj strežnik prejme zvok klica (na primer Twilio Media Streams, kot v primeru Phone Voice Agent iz kuharice xAI) in ga posreduje v običajno sejo WebSocket.
Okvirji za delovanje v realnem času: dokumentacija xAI med obstoječimi integracijami navaja LiveKit in Pipecat. Ti upravljajo prenos v realnem času in usmerjanje klicev, kar jih dela najkrajšo pot za ekipe, ki ne želijo graditi lastne telefonske plasti.
Konfiguracija zvoka za telefon
Pri neposrednem SIP-u ti za to ni treba skrbeti: xAI posreduje zvok klicatelja v sejo in klicatelju predvaja glas agenta. Pri mostu pa je format pomemben. Telefonsko omrežje deluje z ozkopasovnim zvokom in lastnimi kodeki, Glasovni agent pa jih sprejme neposredno, kar prepreči kakršno koli transkodiranje.
G.711 μ-law, deklariran kot audio/pcmu, deluje pri 8000 Hz; to je standard v severnoameriški in japonski telefoniji. G.711 A-law, deklariran kot audio/pcma, ima enake značilnosti in prevladuje v evropski in mednarodni telefoniji. Izbiro torej prilagodiš lokaciji delovanja svojega operaterja, ne osebnim preferencam.
{
"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 }
}
}
Zaznavanje menjave govorca (turn detection) še vedno obravnava strežnik, brez potrebe po nastavljanju praga. Nastavitev, ki je pri telefonu pomembna, je idle_timeout_ms: če klicatelj po odgovoru agenta tako dolgo molči, se agent javi namesto da bi linija ostala tiha.
Kaj dodaja neposredni SIP
Tri funkcije so na voljo izključno na poti neposrednega SIP-a. Prvič, preusmeritev: POST /v1/realtime/calls/{call_id}/refer pošlje klicatelja na telefonsko številko (tel:) ali SIP-naslov (sip:), HTTP-odgovor pa ti pove, ali je cilj sprejel klic; če ne uspe, klicatelj ostane na liniji z agentom. Drugič, prekinitev klica s POST /v1/realtime/calls/{call_id}/hangup. Tretjič, vnos s tipkovnice: števke, ki jih klicatelj pritisne, prispejo do modela kot besedilo (po znaku #, po 2,5 sekunde brez novega pritiska ali takoj, ko klicatelj spregovori), orodje send_dtmf pa agentu omogoča, da sam pritiska tipke, na primer za navigacijo po telefonskem meniju druge storitve.
Kaj lahko zgradiš s tem
Na prvem mestu je avtomatizirana centrala. Agent pozdravi klicatelje v imenu podjetja, med pogovorom ugotovi, kaj potrebujejo, nato pa jih bodisi s funkcijo refer preusmeri na pravi oddelek bodisi samostojno obravnava preproste zahteve. Za razliko od telefonskega menija „pritisni 1 za prodajo” klicatelji svoj problem opišejo z lastnimi besedami namesto navigacije po drevesu, če pa raje uporabijo tipkovnico, je DTMF še vedno na voljo.
Telefonska linija za tehnično podporo gre še dlje. Agent diagnosticira težavo z nizom vprašanj, poda navodila po korakih, ustvari zahtevek prek klicanja funkcij in primer, ki presega njegove zmožnosti, preusmeri človeškemu tehniku. Nadaljevanje seje (session resumption) omogoča nadaljevanje pogovora, če stranka pokliče nazaj v 30 minutah, pod pogojem, da si omogočil nadaljevanje in lahko pridobiš ID prvega klica.
Zahteve, specifične za telefonijo
Zakasnitev (latenca) je najpomembnejša. Opazna zamuda spodbudi klicatelje, da govorijo čez agenta, in pogovor se razplete. Tri vzvode imaš za njen nadzor: izogibaj se transkodiranju, gostuj svojo aplikacijo čim bližje svojemu operaterju in poskrbi, da so funkcije, ki jih agent kliče, hitre, saj lahko en sam poizvedba v počasen CRM porabi celoten proračun za zakasnitev. Končno zakasnitev meri pri dejanskih klicih, ne zanašaj se na referenčne vrednosti.
Naslednja je skladnost z predpisi, ki ni pogajalska. Klicateljem povej, da govorijo z umetno inteligenco, in če se pogovor snema, to navedi že na začetku. Z zapisi in posnetki ravnavaj kot z osebnimi podatki v skladu s splošno uredbo o varstvu podatkov (GDPR), z določenimi roki hrambe in postopkom brisanja, ki dejansko deluje.
Končno, načrtuj odpovedi, saj se bodo zgodile. Nadomestno sporočilo mora prevzeti nadzor, če Glasovni agent ni na voljo, sicer bodo tvoje stranke naletеле na mrtvo linijo. Preusmeritev k človeku naj se sproži po dveh ali treh zaporednih nesporazumih. Beleženje zapisov pogovorov ti daje gradivo za prepoznavanje ponavljajočih se napak in izpopolnjevanje tvojih navodil.
Ključne ugotovitve
- Tri možnosti: neposredni SIP z xAI, most prek tvojega strežnika ali okvir, kot sta LiveKit ali Pipecat
- Pri neposrednem SIP-u xAI sprejme klic, tvojo aplikacijo obvesti s podpisanim spletnim klicem in podpira preusmeritev, prekinitev klica ter tipke DTMF
- Pri mostu kodeki G.711 (
audio/pcmu,audio/pcma) pri 8000 Hz preprečijo transkodiranje - Zaznavanje menjave govorca nima praga za uglaševanje;
idle_timeout_mssproži odziv pri molčečem klicatelju - Skladnost (obveščanje klicateljev, obvestila o snemanju, GDPR) je v telefoniji obvezna