Téléphonie SIP et Intégration LiveKit

Leçon réécrite le 3 novembre 2026 d’après le guide SIP Phone Calls de xAI, la page Voice et l’exemple Phone Voice Agent du cookbook : xAI peut répondre lui-même sur votre numéro en SIP, avec transfert, raccrochage et touches DTMF. L’ancienne version réglait un « threshold » de VAD que xAI ne documente pas, citait des opérateurs et un seuil de latence de 300 ms sans source, et présentait des appels sortants que le guide SIP, centré sur les appels entrants, ne décrit pas. Sources : SIP Phone Calls · Voice · Phone Voice Agent.

Connecter Grok au réseau téléphonique

Le Voice Agent ne s’arrête pas aux applications web et mobiles. Votre assistant peut répondre sur un numéro ordinaire : le client compose ce numéro depuis son fixe ou son mobile, et c’est l’agent Grok qui décroche. Aucune application à installer côté appelant — déterminant pour une clientèle âgée ou une zone mal couverte par l’internet mobile.

Les trois voies de connexion

Le SIP direct, standard de la téléphonie sur IP, est la voie la plus intégrée. Vous enregistrez votre numéro auprès de xAI, votre opérateur route les appels vers l’adresse SIP de xAI, et xAI prévient votre application par un webhook signé à chaque appel entrant ; elle rejoint alors l’appel par WebSocket. Le guide de xAI détaille la configuration de Twilio, Bandwidth, Telnyx et Plivo, et celle de tout opérateur ou PBX capable d’ouvrir une route SIP vers ce numéro.

Le pont par votre serveur convient à ceux qui gardent la main sur le flux audio : votre serveur reçoit l’audio de l’appel — par exemple les Media Streams de Twilio, dans l’exemple Phone Voice Agent du cookbook de xAI — et le relaie vers une session WebSocket ordinaire.

Les frameworks temps réel, enfin : la documentation de xAI cite LiveKit et Pipecat parmi les intégrations existantes. Ils prennent en charge le transport temps réel et le routage des appels, ce qui est le chemin le plus court pour une équipe qui ne veut pas bâtir sa couche téléphonie.

Configurer l’audio pour le téléphone

En SIP direct, vous n’avez pas à vous en soucier : xAI relaie lui-même l’audio de l’appelant dans la session et lui fait entendre l’agent. Dans un pont, en revanche, le format compte. Le réseau téléphonique fonctionne en bande étroite, avec ses propres codecs, et le Voice Agent les accepte nativement, ce qui évite tout transcodage.

Le G.711 μ-law, déclaré audio/pcmu, opère à 8000 Hz ; c’est la norme de la téléphonie nord-américaine et japonaise. Le G.711 A-law, déclaré audio/pcma, a les mêmes caractéristiques et règne sur la téléphonie européenne et internationale. Vous choisissez donc selon la géographie de votre opérateur, pas selon vos préférences.

{
  "type": "session.update",
  "session": {
    "voice": "ara",
    "instructions": "Vous êtes l'assistant téléphonique de la société Dupont & Fils. Répondez de manière professionnelle et concise.",
    "audio": {
      "input": { "format": { "type": "audio/pcma", "rate": 8000 } },
      "output": { "format": { "type": "audio/pcma", "rate": 8000 } }
    },
    "turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
  }
}

La détection des tours reste celle du serveur, sans seuil à régler. Le réglage utile au téléphone est idle_timeout_ms : si l’appelant se tait pendant ce délai après une réponse, l’agent le relance plutôt que de laisser la ligne muette.

Ce que le SIP direct ajoute

Trois fonctions n’existent que sur le chemin SIP direct. Le transfert d’abord : POST /v1/realtime/calls/{call_id}/refer envoie l’appelant vers un numéro (tel:) ou une adresse SIP (sip:), et la réponse HTTP dit si la destination a décroché ; en cas d’échec, l’appelant reste en ligne avec l’agent. Le raccrochage ensuite, par POST /v1/realtime/calls/{call_id}/hangup. Les touches du clavier enfin : les chiffres pressés par l’appelant sont transmis au modèle sous forme de texte — après #, après 2,5 secondes sans nouvelle touche, ou dès qu’il parle —, et l’outil send_dtmf permet à l’agent de composer lui-même des touches, par exemple dans le menu vocal d’un autre service.

Ce que l’on construit avec

Le standard automatique vient en premier : l’agent accueille l’appelant en présentant l’entreprise, identifie le besoin au fil de la conversation, puis transfère vers le service concerné avec refer ou traite directement les demandes simples. Contrairement à un serveur vocal à touches, l’appelant décrit son problème avec ses mots au lieu de naviguer dans une arborescence — et s’il préfère les touches, le DTMF reste disponible.

La hotline de support technique va plus loin : l’agent diagnostique par questions successives, donne les instructions étape par étape, crée un ticket par function calling et transfère vers un technicien humain lorsque le cas dépasse son périmètre. La reprise de session permet même de poursuivre la conversation lors d’un rappel dans les 30 minutes, à condition d’avoir activé la reprise et de retrouver l’identifiant du premier appel.

Les exigences propres au téléphone

La latence prime sur le reste : un décalage perceptible pousse l’interlocuteur à parler par-dessus l’agent, et la conversation se désorganise. Trois leviers la contiennent : éviter tout transcodage, héberger votre application au plus près de votre opérateur, et garder rapides les fonctions appelées par l’agent — une requête vers un CRM lent ruine à elle seule le budget de latence. Mesurez le délai de bout en bout sur de vrais appels plutôt que de vous fier à un chiffre de référence.

Vient ensuite la conformité, non négociable. Informez l’appelant qu’il parle à une IA et, si la conversation est enregistrée, dites-le dès le début. Traitez transcriptions et enregistrements comme des données personnelles au sens du RGPD, avec des durées de conservation définies et une procédure de suppression effective.

Prévoyez enfin l’échec, car il surviendra. Un message de repli doit prendre le relais si le Voice Agent est indisponible, faute de quoi vos clients tombent sur une ligne muette. Un transfert vers un humain se déclenche après deux ou trois incompréhensions consécutives. Et la journalisation des transcriptions vous donne la matière pour repérer les échecs récurrents et affiner vos instructions.

Points clés à retenir

• Trois voies : le SIP direct chez xAI, un pont par votre serveur, ou un framework comme LiveKit ou Pipecat
• En SIP direct, xAI décroche, prévient votre application par webhook signé, et offre transfert, raccrochage et touches DTMF
• Dans un pont, les codecs G.711 (audio/pcmu, audio/pcma) à 8000 Hz évitent le transcodage
• La détection des tours n’a pas de seuil à régler ; idle_timeout_ms relance l’appelant silencieux
• La conformité (information de l’appelant, enregistrement, RGPD) est obligatoire en téléphonie