Echtzeit-Telefonie

Der Kanal Telefonie ermöglicht es einer betool-Pipeline, Anrufe entgegenzunehmen oder zu tätigen. Echtzeit-Audio, Streaming-Transkription, latenzarme Sprachsynthese und Barge-in-Unterbrechung werden alle unterstützt.

Architektur

Im Hintergrund:

• LiveKit übernimmt den Echtzeit-Audiotransport.
• LiveKit-SIP verbindet LiveKit mit dem SIP-Trunk Ihres Anbieters.
• Ein dedizierter Worker orchestriert den Anruf: ASR (Deepgram, OpenAI Whisper), LLM (Claude, GPT-4o, privates Modell), TTS (ElevenLabs, OpenAI TTS, Azure).

Dieser Stack läuft als separater Prozess vom Haupt-Backend. Sie konfigurieren ihn nicht direkt — der Betreiber Ihrer Instanz richtet die SIP-Brücke ein.

Voraussetzungen

• Ein SIP-Trunk eines Anbieters (Twilio, Voxbone, OVH, Sewan oder ein nationaler Betreiber).
• Eine eingehende Nummer und/oder die Möglichkeit, ausgehende Anrufe zu tätigen.
• Ein Schlüssel eines ASR- und TTS-Anbieters — oder ein privates Modell im Enterprise-Tarif.

Einrichtung im Adminbereich

1. Administration → Telefonie → Trunks — geben Sie die SIP-Zugangsdaten Ihres Anbieters ein.
2. Administration → Telefonie → Nummern — ordnen Sie einer Nummer einen Trunk und anschließend eine Ziel-Pipeline zu.
3. Administration → Sprachmodelle — wählen Sie ASR (Eingang) und TTS (Ausgang). Die Verbrauchszähler pro Einheit werden angezeigt.

Eine Sprach-Pipeline entwerfen

Eine Sprach-Pipeline beginnt immer mit einem Start-Knoten mit dem Receiver phone_gateway. Von dort erhält die Pipeline:

• exchange.user_message — jeden transkribierten Sprechschritt
• exchange.intent — erkannte Absicht (falls Sie einen Klassifizierungs-Agent aktivieren)
• exchange.channel.source_type — auf phone_gateway gesetzt

Nachgelagerte Knoten können Text zurückgeben, den das TTS vorliest. Spezialisierte Sprachwerkzeuge (Barge-in, Auflegen, Weiterleiten, Wartemusik) stehen Agents automatisch zur Verfügung, wenn die Pipeline phone_gateway vorgelagert hat.

Bewährte Praktiken

• Halten Sie Missionen knapp. Die Antwortlatenz zählt: Ein Agent, der 4 Sekunden zögert, wirkt im Anruf wie eingefroren. Bevorzugen Sie schnelle Modelle (Haiku, GPT-4o-mini), außer bei entscheidungskritischen Schritten.
• Aktivieren Sie Barge-in. Anrufer müssen den Agent unterbrechen können. Dies ist standardmäßig aktiviert.
• Begrenzen Sie Schleifen. Eine Pipeline, die mehr als dreimal auf denselben Schritt iteriert, erzeugt für den Anrufer beunruhigende Stille. Überwachen Sie den Iterationszähler.

Kosten

Siehe Preise. Richtwert: 200 Credits pro Anrufminute + ASR / TTS / LLM. Ein 5-minütiger Anruf kostet je nach gewähltem LLM-Modell typischerweise 0,20 bis 0,80 $.

Bekannte Einschränkungen

• Keine Video-Unterstützung (noch nicht).
• Die Weiterleitung an einen Menschen erfordert einen SIP-Trunk, der REFER unterstützt (Twilio ist kompatibel).
• Der Agent kann den Anrufer (noch) nicht ohne eine CRM-Integration identifizieren.