The Problem We Set Out to Solve
Chatbots are powerful — but they're still chatbots. They require the user to type, wait, read, and type again. For many industries — call centers, healthcare reception, government services, and retail — voice is the primary way people expect to interact. We decided to bridge that gap.
Today, we're pulling back the curtain on how we built Mujib's real-time Voice AI system: a full-stack feature that lets you deploy conversational voice agents powered by your own knowledge base, with quota controls, usage tracking, and multilingual support — all in production.
The Architecture: What Powers a Voice Agent
Mujib runs a native real-time voice bridge for browser WebSockets and SIP/PBX calls. The backend authenticates the session, connects it to the live voice model, and keeps knowledge, tools, quotas, transcripts, and analytics under one platform:
- RAG-powered responses: When a caller asks a question, our engine retrieves the most relevant chunks from your project's knowledge base and feeds them as context to the LLM — just like our chat agents.
- Secure realtime transport: Browser and SDK clients exchange their project key for a short-lived, single-use stream token before opening the WebSocket.
- Native SIP bridge: Asterisk AudioSocket connects phone and PBX calls to the same Mujib voice engine without an external call-orchestration platform.
- Sub-second latency: By keeping everything on the same server-to-server path, we achieve end-to-end response times that feel like a real conversation.
"We didn't want to add a voice feature. We wanted to make voice a first-class citizen of our platform — with the same quota controls, analytics, and reliability as our chat system."
How We Enforce Voice Quotas
One challenge unique to voice is billing. Unlike chat messages where you count discrete events, voice usage is measured in minutes. Every plan now includes a voice_minutes_per_month field, and we track usage in a dedicated voice_usage_logs table at the second-level granularity.
Before Mujib starts a WebSocket or SIP voice session, the server checks how many minutes the account has consumed that month. If the plan limit is exhausted, the session is rejected before provider usage begins. No surprises, no unexpected bills.
Building for Arabic-First
Most voice AI solutions are English-first and Arabic-later. We built Mujib's voice system Arabic-first. Our voice agents detect the caller's language automatically and respond naturally in Arabic or English — with proper RTL awareness in the portal UI and Arabic phonetics handled by ElevenLabs' dedicated Arabic models.
What You Get Today
- ✅ Real-time voice conversations with your AI agent
- ✅ Powered by your knowledge base (RAG)
- ✅ Arabic & English language support
- ✅ Per-plan voice minute quotas with enforcement
- ✅ Monthly usage tracking visible on your dashboard
- ✅ Create and manage voice agents from the portal
What's Next
We're working on inbound phone number provisioning — so your customers can call a real phone number and reach your Mujib voice agent directly. No widget, no embed, just a phone call.
We're also building voice analytics: call duration heatmaps, most-asked questions by voice, and sentiment tracking per call. Stay tuned.
المشكلة التي أردنا حلها
الشات بوتات قوية — لكنها لا تزال شات بوتات. تتطلب من المستخدم الكتابة، والانتظار، والقراءة، ثم الكتابة مجدداً. في كثير من القطاعات — مراكز الاتصال، الرعاية الصحية، الخدمات الحكومية، والتجزئة — الصوت هو الطريقة الأساسية التي يتوقع بها الناس التفاعل. قررنا سد هذه الفجوة.
اليوم، نكشف الستار عن كيفية بناء نظام Voice AI لحظي في مجيب: ميزة متكاملة تتيح لك نشر وكلاء صوتيين تحادثيين مدعومين بقاعدة معرفتك الخاصة، مع ضوابط الحصص، وتتبع الاستخدام، ودعم متعدد اللغات — كل ذلك في بيئة الإنتاج.
البنية التقنية: ما الذي يُشغّل وكيل الصوت
يشغّل مجيب جسراً صوتياً أصلياً لاتصالات WebSocket في المتصفح ومكالمات SIP وPBX. يتولى الخادم التوثيق والاتصال بالنموذج الصوتي الحي، مع إبقاء المعرفة والأدوات والحصص والنصوص والتحليلات داخل منصة واحدة:
- ردود مدعومة بـ RAG: عندما يطرح المتصل سؤالاً، يسترجع محركنا الأجزاء الأكثر صلة من قاعدة معرفة مشروعك ويغذيها كسياق للنموذج اللغوي — تماماً مثل وكلاء الدردشة لدينا.
- نقل لحظي آمن: يستبدل المتصفح أو SDK مفتاح المشروع برمز بث مؤقت وأحادي الاستخدام قبل فتح WebSocket.
- ربط SIP أصلي: يربط Asterisk AudioSocket مكالمات الهاتف وPBX بمحرك مجيب الصوتي نفسه دون منصة خارجية لتنسيق المكالمات.
- تأخير أقل من ثانية: بإبقاء كل شيء على مسار خادم إلى خادم، نحقق أوقات استجابة شاملة تبدو كمحادثة حقيقية.
"لم نرد إضافة ميزة صوتية. أردنا جعل الصوت مواطناً من الدرجة الأولى في منصتنا — بنفس ضوابط الحصص والتحليلات والموثوقية الموجودة في نظام الدردشة لدينا."
كيف نطبق حصص الصوت
أحد التحديات الفريدة في الصوت هو الفوترة. على عكس رسائل الدردشة حيث تعد أحداثاً منفصلة، يُقاس استخدام الصوت بالدقائق. كل خطة الآن تتضمن حقل voice_minutes_per_month، ونتبع الاستخدام في جدول voice_usage_logs مخصص بدقة على مستوى الثانية.
قبل أن يبدأ مجيب جلسة صوتية عبر WebSocket أو SIP، يفحص الخادم عدد الدقائق التي استهلكها الحساب خلال الشهر. إذا انتهت حصة الخطة، تُرفض الجلسة قبل بدء استخدام مزود الصوت. لا مفاجآت ولا فواتير غير متوقعة.
البناء بالعربية أولاً
معظم حلول الذكاء الاصطناعي الصوتية تُبنى بالإنجليزية أولاً والعربية لاحقاً. بنينا نظام مجيب الصوتي بالعربية أولاً. يكتشف وكلاؤنا الصوتيون لغة المتصل تلقائياً ويردون بشكل طبيعي بالعربية أو الإنجليزية.
ما تحصل عليه اليوم
- ✅ محادثات صوتية لحظية مع وكيل الذكاء الاصطناعي
- ✅ مدعوم بقاعدة معرفتك (RAG)
- ✅ دعم اللغة العربية والإنجليزية
- ✅ حصص دقائق صوتية لكل خطة مع تطبيق فوري
- ✅ تتبع الاستخدام الشهري مرئي على لوحة التحكم
- ✅ إنشاء وإدارة وكلاء الصوت من البوابة
ما القادم
نعمل على توفير أرقام هاتفية واردة — حتى يتمكن عملاؤك من الاتصال برقم هاتف حقيقي والوصول إلى وكيل مجيب الصوتي مباشرة. بدون ويدجت، بدون تضمين، فقط مكالمة هاتفية.
نبني أيضاً تحليلات الصوت: خرائط حرارية لمدة المكالمة، والأسئلة الأكثر شيوعاً بالصوت، وتتبع المشاعر لكل مكالمة. ترقبوا المستجدات.
