SIP-telefoni och LiveKit-integration
På denna sida
Uppdaterat den 3 november 2026, baserat på xAI:s guide SIP Phone Calls, sidan Voice och kokboksexemplet Phone Voice Agent. xAI kan svara på samtal till ditt nummer direkt via SIP, med stöd för samtalsöverföring, nedläggning och DTMF-knappsats. Källor: SIP Phone Calls · Voice · Phone Voice Agent.
Anslut Grok till telefonnätet
Voice Agent är inte begränsad till webb- och mobilappar. Din assistent kan svara på ett vanligt telefonnummer: kunder ringer det från en fast telefon eller en mobil, och Grok-agenten svarar. Upringare behöver inte installera något, vilket gör stor skillnad för äldre kunder eller områden med dålig mobiltäckning.
Tre sätt att ansluta
Direkt SIP, standarden för röst över IP, är det mest integrerade alternativet. Du registrerar ditt nummer hos xAI, din operatör dirigerar samtal till xAI:s SIP-adress, och xAI notifierar din app med en signerad webhook för varje inkommande samtal; din app ansluter sedan till samtalet via WebSocket. xAI:s guide går igenom konfigurationen för Twilio, Bandwidth, Telnyx och Plivo, samt för alla operatörer eller växeltelefoner (PBX) som kan öppna en SIP-rutt till det numret.
En brygga via din egen server passar team som vill behålla kontrollen över ljudströmmen. Din server tar emot samtalsljudet (till exempel Twilio Media Streams, som i xAI:s kokboksexempel Phone Voice Agent) och vidarebefordrar det till en vanlig WebSocket-session.
Realtidsramverk, slutligen: xAI:s dokumentation listar LiveKit och Pipecat bland befintliga integrationer. De hanterar realtidstransport och samtalsdirigering, vilket gör dem till den snabbaste vägen för ett team som inte vill bygga sitt eget telefonilager.
Konfigurera ljud för telefonen
Med direkt SIP behöver du inte bekymra dig om detta: xAI vidarebefordrar uppringarens ljud till sessionen och spelar upp agentens röst tillbaka till dem. I en bryggkonfiguration spelar dock formatet roll. Telefonnätet körs på smalbandsljud med egna kodekar, och Voice Agent accepterar dessa nativt, vilket undviker all transkodning.
G.711 μ-law, deklarerat som audio/pcmu, körs på 8000 Hz; det är standarden i nordamerikansk och japansk telefoni. G.711 A-law, deklarerat som audio/pcma, har samma egenskaper och dominerar europeisk och internationell telefoni. Du väljer alltså baserat på var din operatör verkar, inte på personlig preferens.
{
"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 }
}
}
Tur-detektering hanteras fortfarande av servern, utan någon tröskel att finjustera. Inställningen som spelar roll för telefonen är idle_timeout_ms: om uppringaren är tyst så länge efter ett svar, kollar agenten av läget istället för att låta linjen vara tyst.
Vad direkt SIP tillför
Tre funktioner finns endast på den direkta SIP-vägen. För det första, överföring: POST /v1/realtime/calls/{call_id}/refer skickar uppringaren till ett telefonnummer (tel:) eller en SIP-adress (sip:), och HTTP-svaret berättar om destinationen svarade; om det misslyckas stannar uppringaren på linjen med agenten. För det andra, nedläggning, med POST /v1/realtime/calls/{call_id}/hangup. För det tredje, knappsatsinmatning: siffrorna som uppringaren trycker på når modellen som text (efter #, efter 2,5 sekunder utan nytt knapptryck, eller så fort uppringaren börjar tala), och verktyget send_dtmf låter agenten trycka på tangenter själv, till exempel för att navigera i en annan tjänsts telefonmeny.
Vad du kan bygga med det
En automatiserad växel kommer först. Agenten hälsar uppringare välkomna för företagets räkning, ta reda på vad de behöver under samtalets gång, och överför dem sedan till rätt avdelning med refer eller hanterar enkla förfrågningar själv. Till skillnad från en “tryck 1 för försäljning”-meny beskriver uppringare sitt problem med egna ord istället för att navigera i ett träd, och om de föredrar knappsatsen finns DTMF där ändå.
En teknisk supportlinje går ett steg längre. Agenten diagnostiserar problemet genom en serie frågor, ger steg-för-steg-instruktioner, skapar ett ärende via funktionsanrop och överför till en mänsklig tekniker när fallet ligger utanför dess befogenheter. Sessionsåterupptagning låter till och med samtalet fortsätta om kunden ringer tillbaka inom 30 minuter, förutsatt att du har aktiverat återupptagning och kan hämta ID:t för det första samtalet.
Telefonspecifika krav
Latens trumpar allt annat. En märkbar fördröjning får uppringare att prata i munnen på agenten, och samtalet faller isär. Tre hävstänger håller detta i schack: undvik transkodning, hosta din app så nära din operatör som möjligt, och håll de funktioner som agenten anropar snabba, eftersom en enda fråga till ett långsamt CRM kan spränga hela latensbudgeten. Mät fördröjningen från början till slut på riktiga samtal istället för att lita på ett riktvärde.
Därefter kommer regelefterlevnad, vilket inte är förhandlingsbart. Berätta för uppringare att de pratar med en AI och, om samtalet spelas in, säg det i början. Behandla transkript och inspelningar som personuppgifter enligt GDPR, med definierade lagringstider och en raderingsprocess som faktiskt fungerar.
Planera slutligen för fel, för de kommer att hända. Ett reservmeddelande måste ta över om Voice Agent inte är tillgänglig, annars möter dina kunder en död linje. En överföring till en människa bör träda i kraft efter två eller tre missförstånd i rad. Och loggning av transkript ger dig underlaget för att upptäcka återkommande fel och förfina dina instruktioner.
Viktiga punkter
- Tre alternativ: direkt SIP med xAI, en brygga via din server, eller ett ramverk som LiveKit eller Pipecat
- Med direkt SIP svarar xAI på samtalet, notifierar din app med en signerad webhook och stöder överföring, nedläggning och DTMF-tangenter
- I en brygga undviker G.711-kodekar (
audio/pcmu,audio/pcma) på 8000 Hz transkodning - Tur-detektering har ingen tröskel att finjustera;
idle_timeout_msuppmanar en tyst uppringare - Regelefterlevnad (informera uppringare, meddelanden om inspelning, GDPR) är obligatorisk inom telefoni