Téléphonie SIP et Intégration LiveKit

Connecter Grok au réseau téléphonique

Le Voice Agent ne s’arrête pas aux applications web et mobiles. Grâce au support natif des protocoles de téléphonie, votre assistant répond 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, aucune connexion internet côté appelant — déterminant pour une clientèle âgée, un service d’urgence ou une zone mal couverte.

Les trois voies de connexion

Le SIP, standard de la téléphonie VoIP, est la voie la plus courante. En raccordant un trunk SIP à votre Voice Agent, vous recevez les appels entrants sur un numéro fixe ou mobile, vous en émettez également — rappels, confirmations, relances — et vous gérez files d’attente et transferts vers des agents humains. Les fournisseurs de trunks les plus répandus (Twilio, Vonage, OVH Télécom, Free Pro) sont tous compatibles, ce qui vous évite de changer d’opérateur pour tester l’agent sur une ligne secondaire.

Le WebSocket, protocole natif du Voice Agent, s’adresse à ceux qui exploitent déjà leur propre infrastructure de téléphonie ou un framework tel que LiveKit ou Janus : vous gérez vous-même le pont entre le flux téléphonique et la session vocale.

LiveKit, enfin, est un framework open source de communication temps réel proposant une intégration native avec les Voice Agents. Il prend en charge la connexion WebSocket, route les appels SIP vers ses salles, fournit l’enregistrement et le monitoring, et absorbe la montée en charge horizontalement. Pour une équipe qui ne veut pas bâtir sa couche téléphonie, c’est le chemin le plus court vers la production.

Configurer l’audio pour le téléphone

Le réseau téléphonique n’a jamais transporté de la haute fidélité : il fonctionne en bande étroite, avec des codecs qui lui sont propres. Le Voice Agent les supporte nativement, ce qui vous dispense de transcoder.

Le G.711 mu-law, déclaré audio/pcmu, opère exclusivement à 8000 Hz pour 64 kbps de bande passante ; c’est le standard de la téléphonie nord-américaine et japonaise. Le G.711 A-law, déclaré audio/pcma, présente les mêmes caractéristiques — 8000 Hz uniquement, 64 kbps — et règne sur la téléphonie européenne et internationale. Vous choisissez donc selon la géographie de votre trunk, pas selon vos préférences.

La configuration se déclare dans session.update :

{
  "type": "session.update",
  "session": {
    "voice": "Ara",
    "instructions": "Vous êtes l'assistant téléphonique de la societe 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",
      "threshold": 0.9,
      "silence_duration_ms": 700
    }
  }
}

Le threshold VAD à 0,9 mérite qu’on s’y arrête. Une ligne téléphonique charrie du souffle, des parasites, la rumeur d’un open space ou le bruit d’une voiture. Avec un seuil calibré pour un micro de casque, l’agent se croit interrompu toutes les dix secondes et coupe ses propres phrases. Un seuil élevé lui apprend à ne réagir qu’à une vraie prise de parole.

Ce que l’on construit avec

Le standard automatique vient en premier : l’agent accueille l’appelant en présentant l’entreprise, pose une question ouverte du type « Comment puis-je vous aider ? », identifie le besoin au fil de la conversation, puis transfère vers le service concerné 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.

La hotline de support technique va plus loin : l’agent diagnostique par questions successives, donne les instructions étape par étape, crée un ticket via function calling et escalade vers un technicien humain lorsque le cas dépasse son périmètre. Les campagnes sortantes couvrent enfin la confirmation de rendez-vous, les enquêtes de satisfaction, les relances de paiement et les notifications d’expédition — autant d’appels répétitifs et scriptés.

Les exigences propres au téléphone

La latence prime sur tout le reste. Au-delà de 300 ms, l’interlocuteur ressent un décalage, commence à parler par-dessus l’agent et la conversation se désorganise. Trois leviers la contiennent : rester en G.711 à 8000 Hz pour éviter tout transcodage, héberger votre application au plus près du trunk SIP, et garder sous deux secondes les fonctions appelées par l’agent — une requête vers un CRM lent ruine à elle seule tout le budget de latence.

Vient ensuite la conformité, non négociable. Informez systématiquement l’appelant lorsque la conversation est enregistrée : c’est une obligation légale. Traitez transcriptions et enregistrements comme des données personnelles au sens du RGPD, avec des durées de conservation définies et une procédure de suppression effective. Pour les appels sortants en France, respectez les listes d’opposition au démarchage téléphonique, Bloctel en tête.

Prévoyez enfin l’échec, car il surviendra. Un message de repli prend 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, seuil au-delà duquel l’appelant raccroche de toute façon. Et la journalisation des transcriptions vous donne la matière pour repérer les échecs récurrents et affiner vos instructions.

Points clés à retenir

• Le Voice Agent supporte SIP, WebSocket et LiveKit pour la connexion téléphonique
• Les codecs G.711 (mu-law et A-law) à 8000 Hz sont le standard pour la téléphonie
• Un threshold VAD élevé (0.9) réduit les faux positifs en environnement téléphonique
• La latence doit rester sous 300ms pour une conversation naturelle
• La conformité réglementaire (enregistrement, RGPD, Bloctel) est obligatoire en téléphonie