基于 UDP 的手机通话语音局域网传输与 AI 处理 Python 脚本
一、前言
在手机打电话过程中，随机插播预录语音片段或根据对方手机按下 DTMF 按键播放不同 IVR 应答语音片段的能力已在前文阐述。在 AI 电话沟通时，由于手机性能和算力的局限性，通常 AI 交互的模型和算法无法部署到手机上。这样的话就需要将拦截到的手机通话的声音数据，通过网络（局域网或互联网）将语音包传输给 AI 算力服务器。由其对语音进行 ASR 识别和语义理解，并生成最终的应答 TTS 语音，反馈回手机注入到电话通话中。
当前市面上主流的实时语音流的传输方式主要有两种：
- SIP/WebRTC 协议及配套的 RTP/RTCP 语音数据传输。
- 直接将语音数据以 udp 广播或组播的方式分发给局域网内多个设备。
事实上手机电话通话做 AI 呼叫，本质上跟 SIP 协议没有太大的依赖关系。手机 APP 提取到通话声音后，完全可以把这个声音数据直接传给局域网内的 AI 服务器，或者让手机自己的 AI 模型来消费和应答这个声音会话。SIP 协议无法处理'通话号码带逗号 - 实现拨通后自动拨出分机号'这样的能力，但你直接传的话就没有这种问题。
本文就是基于这样的场景，使局域网内部署的一台 AI 服务器，就可以通过 udp 数据包，同时处理多台 Android 手机发来的 AI 呼叫请求，并生成对应 TTS 语音应答。
由于数据交互全在局域网内进行，因此其【端到端】通话的时延可以得到最大程度的保证（TTL 只有 1 跳或 2 跳，路由的路径非常短）。这样既能利用 AI 算力服务器的堆叠密度，又能同时处理和响应多路手机 SIM 卡的电话通话。实现高效的 AI 呼叫和成本的压缩。
当前商用方案是蓝牙电话的方案，需要依赖一个外置的 USB 蓝牙的配件，插入到手机上，才能拦截到电话通话的声音数据。因此需要额外购买一个 USB 蓝牙配件。
二、方案的依赖配件
目前拦截手机通话声音的蓝牙电话方案，需要将 USB 蓝牙的配件插入到手机上，才能在手机 APP 拦截到电话通话的事件和声音数据。
这个方案最大的好处是：不限制手机，市面上任何品牌型号的 Android 手机，拿来装上 app，插上 USB 配件后，就能拦截到电话通话语音。普适性非常的广。市面上任何新的手机和二手的手机都支持这样用。依赖的手机配件如下图所示：
（此处省略图片，需自行准备 USB 蓝牙适配器）
买来的 USB 蓝牙配件，可以直接插在手机上使用。但是因为是公共的标准配件，需要有一个 USB 转 typec 的转接头才能插到 Android 手机上，没有的话可以去电商平台购买一个即可，非常的便宜。
三、方案的依赖界面
蓝牙电话方案使用 Android 手机 APP，通过插入手机的 USB 蓝牙来直接拦截电话通话的声音。因此为了能让它将语音数据和通话事件公开到手机所在的局域网中，需要对【智能拨号器 app】进行一个基础的默认设置。
【智能拨号器 app】的设置选项卡中，点击右上角齿轮图标，打开【APP 应用设置】界面后，将原先默认的'SIP 协议栈：连接 SIP 平台'关闭为'协议栈：手机 IVR-AI 语音处理'。
APP 应用设置中，做了这个默认设置切换了之后，APP 拦截到的电话通话声音将不再进行 SIP 协议的转发，而是在手机 APP 自身和局域网内，广播寻址找到【远程声音设备】进行电话通话声音数据的播放和输出。
四、Python 客户端的命令行菜单
本文的 Python 脚本的源代码，即为拨号器的远程声音设备的标准输入输出的源文件，它支持 Windows/Linux/MacOS 三大平台。
详细的安装和配置步骤，可在源码压缩包中的 README.md 文件内容中描述的很清楚了。
执行以下命令安装依赖：
pip install sounddevice numpy colorama
运行主程序：
python main.py
进去后输入 help 按提示逐个输入 discover / bind 绑定后手机 APP 上会弹框出来提示是否接受远程声音设备的绑定 - 需要手机 APP 上允许。
至此，即可使用 call / hangup / dtmf 等指令，正常在 windows11 中使用 python 连接局域网内的智能拨号器 app 来实时通话啦。
用户可以简单的使用如下指令，来完成一个外呼的手机通话，对手机进行远程操控：
- 如常用的拨打 10086 等待接通后说话 call 10086
- 通话中发送 DTMF 数字 dtmf 2
- 拨打完毕后挂断电话 hangup
五、拨号器声音程序架构
其实有 Python 脚本的源代码之后，什么架构啊、交互时序和指令内容啊，都是多余的。有啥不懂的直接跳转去看代码即可，反正就六七个 py 文件而已，非常的简洁易懂。
