twilio-voice-conversation-relay — скилл для Codex: голосовые AI-агенты
Скилл для построения голосовых AI-агентов на Twilio с обработкой речи в реальном времени.
npx skills add openai/plugins --skill twilio-voice-conversation-relay -a codexЧто делает twilio-voice-conversation-relay
ConversationRelay связывает телефонию Twilio с вашим приложением через постоянный WebSocket. Twilio берёт на себя распознавание и синтез речи, ваше приложение получает текст транскрипции, отправляет её в LLM и возвращает ответ текстом — Twilio озвучит его автоматически.
Скилл покрывает настройку TwiML (Python и Node.js), типы WebSocket-сообщений (connected, prompt, interrupt, dtmf, error), отправку текста для озвучивания с флагом last, потоковую отправку токенов от LLM для снижения латентности, а также конфигурацию голоса и поставщика речи (ASR: Deepgram, Google Cloud STT; TTS: Deepgram, Amazon Polly, Google Cloud TTS, ElevenLabs).
Ограничения: нет доступа к сырому аудио (для этого используй Media Streams), нет встроенного хранения контекста беседы, нет автопереподключения WebSocket (при разрыве звонок прерывается), не совместимо с Media Streams на одном звонке. Требуется Twilio-аккаунт с доступом к ConversationRelay (доступ даётся через onboarding в консоли), TWILIO_ACCOUNT_SID и TWILIO_AUTH_TOKEN, WebSocket-сервер с TLS, собственная интеграция с LLM.
Какие задачи решает
- Создать голосового бота, отвечающего на вопросы вызывающего в реальном времени
- Заменить IVR-меню на AI-агента с естественной речью
- Обрабатывать нажатия кнопок (DTMF) и распознавание речи на одном звонке
- Транслировать ответы LLM в речь по мере их генерации, не ожидая полного ответа
- Настроить голос, язык и поставщика синтеза речи для вызова
Примеры запросов агенту
- Создай голосового агента, который слушает вопрос и отвечает через OpenAI — используй скилл для настройки WebSocket и обработки событий Twilio
- Настрой TwiML, чтобы входящий звонок подключался к твоему WebSocket-серверу с добавлением
conversation_relay()и выбранным голосом - Реализуй потоковую отправку ответов LLM токенами, чтобы Twilio начал озвучивать текст, пока LLM ещё генерирует ответ
Как установить twilio-voice-conversation-relay
1Через Skills CLI (Vercel)
npx skills add openai/plugins --skill twilio-voice-conversation-relay -a codex2Вручную: положить файлы
.agents/skills/twilio-voice-conversation-relay/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add openai/plugins --skill twilio-voice-conversation-relay -a claude-code2Вручную: положить файлы
~/.claude/skills/twilio-voice-conversation-relay/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/twilio-voice-conversation-relay/
Вручную: положить файлы
.cursor/skills/twilio-voice-conversation-relay/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install openai/plugins twilio-voice-conversation-relay2Вручную: положить файлы
.github/skills/twilio-voice-conversation-relay/SKILL.mdКомандой платформы
gemini skills install https://github.com/openai/plugins --path plugins/twilio-developer-kit/skills/twilio-voice-conversation-relayВручную: положить файлы
.devin/skills/twilio-voice-conversation-relay/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Скиллы Codex: как установить, где лежат и как вызвать
Вопросы о twilio-voice-conversation-relay
Как установить twilio-voice-conversation-relay в Codex?
Выполни npx skills add openai/plugins --skill twilio-voice-conversation-relay -a codex, затем найди документацию скилла в ~/.claude/skills/twilio-voice-conversation-relay/SKILL.md.
Что делает twilio-voice-conversation-relay?
Скилл помогает построить голосового AI-агента на Twilio ConversationRelay. Твой код получает текст распознанной речи вызывающего, отправляет его в LLM и возвращает ответ текстом, который Twilio озвучивает. Скилл покрывает настройку TwiML, обработку WebSocket-событий, потоковую отправку токенов и конфигурацию голоса.
Что нужно, чтобы использовать этот скилл?
Требуется Twilio-аккаунт с активированным доступом к ConversationRelay (активируется через консоль Twilio в разделе Voice > ConversationRelay > Onboarding), пара ключей TWILIO_ACCOUNT_SID и TWILIO_AUTH_TOKEN, WebSocket-сервер с поддержкой TLS (wss://), голосовой номер в Twilio и собственная интеграция с LLM (OpenAI, Anthropic и др.).
Исходный текст
SKILL.md · MIT
---
name: twilio-voice-conversation-relay
description: >
Build AI-powered voice agents using Twilio ConversationRelay. Handles
real-time speech recognition (ASR), text-to-speech (TTS), and bidirectional
audio streaming via WebSocket. Covers TwiML setup, WebSocket message types,
LLM integration, streaming responses, and voice provider configuration. Use
this skill to build voice bots, IVR replacements, or real-time AI voice
assistants on Twilio calls.
---
## Overview
ConversationRelay connects Twilio's telephony layer to your app via a persistent WebSocket. Twilio handles ASR (speech-to-text) and TTS (text-to-speech); your app receives transcripts, calls an LLM, and sends text back for playback.
```
Caller ←→ Twilio (ASR/TTS) ←→ WebSocket ←→ Your App ←→ LLM
```
---
## Prerequisites
- Upgraded Twilio account with ConversationRelay access (requires onboarding)
— New to Twilio? See `twilio-account-setup`
— Start onboarding at: [Console > Voice > ConversationRelay](https://console.twilio.com/us1/voice/conversation-relay) — access is **not** instant
- A voice-capable Twilio phone number
- `TWILIO_ACCOUNT_SID` and `TWILIO_AUTH_TOKEN` — see `twilio-iam-auth-setup`
- WebSocket server reachable via `wss://` (TLS required)
- An LLM integration (OpenAI, Anthropic, etc.)
- For placing calls: see `twilio-voice-outbound-calls`
**Onboarding:** Complete via Console > Voice > ConversationRelay > Onboarding. Select TTS/ASR providers:
- **TTS:** Deepgram, Amazon Polly, Google Cloud TTS, ElevenLabs
- **ASR:** Deepgram, Google Cloud STT
---
## Quickstart
**Step 1 — Return TwiML pointing to your WebSocket server**
**Python (Flask)**
```python
from flask import Flask
from twilio.twiml.voice_response import VoiceResponse, Connect, ConversationRelay
app = Flask(__name__)
@app.route("/voice", methods=["POST"])
def voice():
response = VoiceResponse()
connect = Connect()
connect.conversation_relay(
url="wss://yourapp.com/ws/voice",
welcome_greeting="Hello! How can I help you today?"
)
response.append(connect)
return str(response)
```
**Node.js (Express)**
```node
const { VoiceResponse } = require("twilio").twiml;
app.post("/voice", (req, res) => {
const response = new VoiceResponse();
const connect = response.connect();
connect.conversationRelay({
url: "wss://yourapp.com/ws/voice",
welcomeGreeting: "Hello! How can I help you today?",
});
res.type("text/xml").send(response.toString());
});
```
**Step 2 — Handle WebSocket events and respond with text**
**Python (websockets)**
```python
import asyncio, json, websockets
async def handle_call(websocket):
async for message in websocket:
event = json.loads(message)
if event["type"] == "prompt":
ai_response = await call_llm(event["voicePrompt"])
await websocket.send(json.dumps({"type": "text", "token": ai_response, "last": True}))
async def main():
async with websockets.serve(handle_call, "0.0.0.0", 8080):
await asyncio.Future()
asyncio.run(main())
```
**Node.js (ws)**
```node
const WebSocket = require("ws");
const wss = new WebSocket.Server({ port: 8080 });
wss.on("connection", (ws) => {
ws.on("message", async (data) => {
const event = JSON.parse(data);
if (event.type === "prompt") {
const aiResponse = await callLLM(event.voicePrompt);
ws.send(JSON.stringify({ type: "text", token: aiResponse, last: true }));
}
});
});
```
> **Security:** The `voicePrompt` field contains ASR-transcribed caller speech — it is untrusted external input. When passing to an LLM, isolate it as user input within a structured system prompt. Implement topic boundaries and output filtering to prevent the LLM from disclosing system instructions or speaking inappropriate content. ConversationRelay is a pure transport layer with no built-in content safety — any LLM output is spoken to the caller verbatim.
---
## Key Patterns
### WebSocket Message Types
**Received from Twilio:**
| Type | When | Key fields |
|------|------|-----------|
| `connected` | WebSocket opened | `callSid`, `streamSid` |
| `prompt` | User finished speaking | `voicePrompt` (transcript) |
| `interrupt` | User interrupted TTS | — |
| `dtmf` | User pressed keypad key | `digit` |
| `error` | An error occurred | `description` |
**Sent to Twilio:**
| Type | Purpose | Key fields |
|------|---------|-----------|
| `text` | Send TTS response | `token` (text), `last` (bool) |
| `interrupt` | Stop current TTS | — |
| `end` | Hang up the call | `reason` |
### Stream LLM Responses Token-by-Token
Lower latency by streaming as the LLM generates output — Twilio starts speaking before the full response is ready.
**Python**
```python
async for chunk in llm_stream:
await websocket.send(json.dumps({"type": "text", "token": chunk, "last": False}))
await websocket.send(json.dumps({"type": "text", "token": "", "last": True}))
```
**Node.js**
```node
for await (const chunk of llmStream) {
ws.send(JSON.stringify({ type: "text", token: chunk, last: false }));
}
ws.send(JSON.stringify({ type: "text", token: "", last: true }));
```
### Voice Configuration
**Python**
```python
connect.conversation_relay(
url="wss://yourapp.com/ws/voice",
voice="en-US-Neural2-F",
language="en-US",
transcription_provider="deepgram",
speech_model="nova-2-phonecall",
interrupt_by_dtmf=True,
)
```
**Node.js**
```node
connect.conversationRelay({
url: "wss://yourapp.com/ws/voice",
voice: "en-US-Neural2-F",
language: "en-US",
transcriptionProvider: "deepgram",
speechModel: "nova-2-phonecall",
interruptByDtmf: true,
});
```
---
## CANNOT
- **No raw audio access** — Text in, text out only. For raw audio, use `<Connect><Stream>` (Media Streams).
- **Cannot mix with Media Streams** — `<Connect><Stream>` and `<Connect><ConversationRelay>` are mutually exclusive on the same call. No error — one is silently ignored.
- **No custom STT/TTS engines** — Limited to Deepgram + Google (STT) and Deepgram + Amazon Polly + Google + ElevenLabs (TTS).
- **No mid-session voice/provider changes** — Voice and provider are set at TwiML time. Only `language` can be switched mid-session via WebSocket message.
- **No WebSocket auto-reconnection** — If the WebSocket drops, the call disconnects. Implement recovery via `<Connect action>` URL.
- **Voice only** — No SMS/messaging support. For omnichannel, use Conversation Orchestrator.
- **No built-in memory or context** — BYO conversation history and context management.
- **No LLM integration** — Pure transport layer. You bring your own LLM via the WebSocket server.
- **No server-side recording via REST API** — `record:true` on the Calls API is silently ignored. Must use `<Start><Recording>` before `<Connect>` in TwiML.
- **Not PCI compliant with Voice Intelligence v2** — Do not enable `intelligenceService` in PCI workflows.
- **ElevenLabs requires account enablement** — Accounts without ElevenLabs access get error 64101. Voice IDs (not human-readable names) are required.
- **Cannot use ConversationRelay without onboarding** — Not available immediately on a new account
- **Cannot use non-TLS WebSocket** — Server must be reachable via `wss://` (TLS required)
- **Cannot stream audio without `last: true`** — Twilio won't play audio until it sees a `last: true` token in the stream
---
## Next Steps
- **Place outbound calls:** `twilio-voice-outbound-calls`
- **Standard IVR without AI:** `twilio-voice-twiml`
© Twilio · MIT · openai/plugins