Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Telefoni: SIP, LiveKit och G.711

Lektion 15 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Anslut Voice Agent API till telefonnätet
  2. Väg 1: Direkt SIP med xAI
  3. Väg 2: En brygga via din egen server
  4. Väg 3: Ett realtidsramverk
  5. I produktion
  6. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAIs guide SIP Phone Calls, sidan Speech to Speech och kokboksexemplet Phone Voice Agent. xAI kan svara på samtal till ditt eget nummer (direkt SIP, signerad webhook, överföring, lägg på, DTMF-knappar), parallellt med en brygga via din egen server. Källor: SIP Phone Calls · Speech to Speech · Phone Voice Agent.

Anslut Voice Agent API till telefonnätet

Voice Agent API kan ta emot telefonsamtal: dina kunder ringer ett vanligt nummer och pratar med din Grok-agent. Det finns tre vägar dit, från den mest integrerade till den mest flexibla.

Väg 1: Direkt SIP med xAI

I detta läge svarar xAI på samtalet självt. Samtalet landar på xAIs SIP-infrastruktur, som notifierar dig via en webhook; din app ansluter till samtalet över WebSocket och styr agenten.

  1. Registrera numret. Deklarera ett “Direct SIP”-nummer hos xAI, tillsammans med webhook-adressen som ska ta emot inkommande samtal. För ett nummer du äger själv, använd origin: "byo_trunk": xAI tillhandahåller inte nummer via API:t. Svaret innehåller en signeringshemlighet som bara returneras en gång, så spara den i ditt valv för hemligheter.
  2. Dirigera din operatör. Konfigurera din operatör eller PBX så att den skickar samtal till sip:{number}@sip.voice.x.ai. xAI accepterar SIP-signalering över TLS på port 5061, eller TCP/UDP på port 5060; föredra ;transport=tls när din operatör stöder det.
  3. Ta emot webhooken. För varje samtal skickar xAI en signerad realtime.call.incoming-webhook. Verifiera rubrikerna webhook-id, webhook-timestamp och webhook-signature med signeringshemligheten, läs sedan data.call_id.
  4. Anslut till samtalet. Öppna wss://api.x.ai/v1/realtime?call_id={call_id} med din API-nyckel (tillfälliga token accepteras inte för en SIP-session), skicka session.update, och därefter response.create när agenten ska tala.
import json
import os

import websockets


async def join_call(call_id):
    async with websockets.connect(
        f"wss://api.x.ai/v1/realtime?call_id={call_id}",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    ) as ws:
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "rex",
                "instructions": "You are the customer service agent. Answer in English, briefly.",
                "turn_detection": {"type": "server_vad"},
            },
        }))
        await ws.send(json.dumps({"type": "response.create"}))  # the agent greets the caller

        async for message in ws:
            event = json.loads(message)
            # same handling as for a regular WebSocket session

När anslutningen är upprättad beter sig sessionen som vilken röstsession som helst: xAI vidarebefordrar uppringarens ljud och spelar upp agentens svar, utan att din server behöver hantera något ljudflöde.

Överföring eller lägg på

Två REST-anrop styr linjen. POST /v1/realtime/calls/{call_id}/refer, med en target_uri i formatet tel: eller sip:, överför uppringaren; begäran väntar på resultatet av överföringen. En 200 med tom body betyder att mottagaren svarade; en 502 innehåller SIP-felkoden och en 504 signalerar en timeout. Efter ett misslyckande förblir sessionen öppen och agenten kan fortsätta prata: det är upp till dig att läsa svaret och vid behov låta agenten förklara problemet. POST /v1/realtime/calls/{call_id}/hangup avslutar samtalet.

Knappsatsinmatning (DTMF)

I en SIP-session buffras de tangenter som uppringaren trycker på och skickas sedan till modellen som text så snart uppringaren trycker på #, efter 2,5 sekunders tystnad, eller så fort de börjar tala. Din klient får en händelse input_audio_buffer.dtmf_event_received per tangent, så att du kan föra en logg. För att låta agenten själv trycka på tangenter, till exempel för att navigera i en annan tjänsts telefonmeny, lägg till {"type": "function", "name": "send_dtmf"} i dess verktyg, utan parametrar: API:t tillhandahåller schemat och skickar tonerna, och du får inte svara på dessa funktionsanrop. Dessa händelser finns endast i en SIP-session.

Dokumenterade operatörer

xAIs guide går igenom konfigurationen för fyra operatörer (Twilio, med Elastic SIP Trunking och aktiverad samtalsöverföring på trunken om du överför samtal; Bandwidth; Telnyx; och Plivo) samt för vilken operatör, kontaktcenter eller PBX som helst som kan öppna en SIP-rutt till ditt nummers adress. När det gäller kodek ber Telnyx-exemplet dig att aktivera åtminstone G.711 μ-law, G.711 A-law eller G.722.

Väg 2: En brygga via din egen server

Om du vill behålla kontrollen över ljudströmmen tar din server emot samtalsljudet och vidarebefordrar det till en vanlig WebSocket-session. Det är arkitekturen i xAIs kokboksexempel Phone Voice Agent: Twilio strömmar samtalsljudet i μ-law via sina Media Streams, och servern skickar det vidare till API:t oförändrat, utan konvertering, i båda riktningarna.

# Telefonsamtal → operatör → din server → xAI WebSocket
import base64
import json
import os

import websockets


async def relay_call(call_audio_stream):
    ws = await websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    )

    # G.711 μ-law vid 8000 Hz, formatet för det nordamerikanska telefonnätet
    await ws.send(json.dumps({
        "type": "session.update",
        "session": {
            "voice": "rex",
            "instructions": "Customer service agent.",
            "turn_detection": {"type": "server_vad"},
            "audio": {
                "input": {"format": {"type": "audio/pcmu", "rate": 8000}},
                "output": {"format": {"type": "audio/pcmu", "rate": 8000}},
            },
        },
    }))

    async for chunk in call_audio_stream:
        await ws.send(json.dumps({
            "type": "input_audio_buffer.append",
            "audio": base64.b64encode(chunk).decode(),
        }))

API:t accepterar nativt båda G.711-varianterna, vilket undviker all transkodning: audio/pcmu (μ-law, standarden i Nordamerika och Japan) och audio/pcma (A-law, standarden i Europa och de flesta andra länder), båda vid 8000 Hz.

{
  "audio": {
    "input": {"format": {"type": "audio/pcma", "rate": 8000}},
    "output": {"format": {"type": "audio/pcma", "rate": 8000}}
  }
}

DTMF-knappar samt REST-anropen för överföring och att lägga på hör till den direkta SIP-vägen: i en brygga hanterar din operatör dessa.

Väg 3: Ett realtidsramverk

xAIs dokumentation listar två färdiga integrationer: LiveKit Agents och Pipecat. De hanterar realtidstransport (WebRTC, rum, samtalsdirigering) och kopplar in Grok-röstagenten på rätt plats, vilket sparar team som inte vill bygga ett telefonilager från grunden från att behöva göra det.

I produktion

Hantera tystnader. I telefon lämnar en uppringare som tystnar en död linje. turn_detection.idle_timeout_ms får agenten att stämma av med uppringaren efter en tystnad av den längd du väljer (lektion 6).

Plocka upp en konversation vid ett nytt samtal. Sessionsåterupptagning fungerar också över SIP: aktivera resumption.enabled vid det första samtalet och behåll dess call_id. När kunden ringer tillbaka öppnar du wss://api.x.ai/v1/realtime?call_id={new_call_id}&conversation_id={previous_call_id} och skickar samma session.update igen. Historiken löper ut efter 30 minuters inaktivitet.

Följ reglerna. Berätta för uppringare att de pratar med en AI och, om du spelar in samtal, säg det i början. För hälsoinformation uppger xAI att ett BAA (Business Associate Agreement) kan undertecknas efter en enkät.

Mät din latens. Fördröjningen som uppringaren upplever är summan av telefonnätet, din brygga om du har en sådan, och svarsgenereringen. Mät den från ände till ände på riktiga samtal, och se till att de funktioner agenten anropar under konversationen är snabba.

Viktiga punkter

  • Med direkt SIP svarar xAI på ditt nummer, notifierar dig med en signerad realtime.call.incoming-webhook, och du ansluter till samtalet via wss://api.x.ai/v1/realtime?call_id=…
  • refer överför samtalet (resultatet returneras i HTTP-svaret) och hangup avslutar det
  • DTMF-knappar når modellen och loggas via input_audio_buffer.dtmf_event_received; verktyget send_dtmf låter agenten trycka på tangenter
  • I en brygga via din server undviker du transkodning genom att använda inbyggt G.711 (audio/pcmu, audio/pcma)
  • LiveKit Agents och Pipecat är de integrationer som xAI listar