VoiceBlender 语音控制平台
AI Skill Hub 强烈推荐：VoiceBlender 语音控制平台 是一款优质的Agent工作流。AI 综合评分 8.2 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
📚 深度解析
VoiceBlender 语音控制平台 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.2 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
一个可编程的开源语音平台，支持SIP和WebRTC通话控制及多方音频混音。它集成了ASR和音频处理能力，旨在为AI Agent提供实时语音交互基础设施，适合需要构建复杂语音工作流的开发者。
VoiceBlender 语音控制平台 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
一个可编程的开源语音平台，支持SIP和WebRTC通话控制及多方音频混音。它集成了ASR和音频处理能力，旨在为AI Agent提供实时语音交互基础设施，适合需要构建复杂语音工作流的开发者。
VoiceBlender 语音控制平台 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：go install（推荐） go install github.com/VoiceBlender/voiceblender@latest # 方式二：从源码编译 git clone https://github.com/VoiceBlender/voiceblender cd voiceblender go build -o voiceblender . # 方式三：下载预编译二进制 # 访问 Releases 页面下载对应平台二进制文件 # https://github.com/VoiceBlender/voiceblender/releases
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 查看帮助 voiceblender --help # 基本运行 voiceblender [options] <input> # 详细使用说明请查阅文档 # https://github.com/VoiceBlender/voiceblender
# voiceblender 配置说明 # 查看配置选项 voiceblender --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export VOICEBLENDER_CONFIG="/path/to/config.yml"
VoiceBlender
A Go voice engine that connects SIP, WebRTC, WhatsApp, WebSocket and other call legs into mixable rooms, with recording, speech AI integrations, a REST API and real-time events.
Features
Legs (call endpoints)
- SIP -- inbound and outbound calls over UDP, TCP and TLS, with digest auth, hold, REFER transfer, early media and session timers
- SIP trunks & registrations -- register to upstream PBXs/carriers or peer with them by static IP, and act as a registrar for SIP clients
- Codecs -- PCMU, PCMA, G.722, Opus, AMR-WB, AMR-NB, with mid-call codec renegotiation
- WebRTC -- browser voice via SDP offer/answer with trickle ICE and ICE restarts
- WhatsApp Business Calling -- inbound and outbound WhatsApp voice calls
- WebSocket legs -- raw PCM over WebSocket for bots and custom clients
- LiveKit -- bridge a LiveKit room, one leg per remote participant
- MoQ (experimental) -- Media-over-QUIC legs over WebTransport
- SIPREC -- session recording server and client (RFC 7865 / RFC 7866)
- Multi-stream SIP calls -- several audio streams in one call, e.g. original and translated audio
Media
- Rooms -- multi-party mixing (mixed-minus-self) at 8, 16 or 48 kHz
- Room bridging -- connect two rooms with configurable direction
- Audio routing matrix -- role-based who-hears-whom for whisper, barge-in and supervisor monitoring
- Audio filters -- per-leg denoise, band-pass, gain and voice effects (robotic, vocoder, pitch)
- Comfort noise -- optional per-room background noise
- DTMF & Real-Time Text -- RFC 4733 telephone-events and T.140 text
- Recording -- per-leg, per-room or multi-track WAV with pause/resume and S3/GCS upload
- Playback -- WAV/MP3 files and telephone tones
AI
- TTS -- ElevenLabs, Google Cloud, AWS Polly, Deepgram, Azure, with speculative preflight synthesis
- STT -- ElevenLabs, Deepgram, Deepgram Flux, Azure, Speechmatics, with turn detection
- AI agents -- ElevenLabs, VAPI, Pipecat, Deepgram, attachable to a leg or a whole room
- Answering machine detection -- human / machine classification with beep detection
Control & observability
- REST API -- full call and room control (OpenAPI spec)
- Webhooks -- signed, retried, deduplicated event delivery
- VSI -- a single WebSocket for events and commands (AsyncAPI spec)
- Prometheus metrics -- at
GET /metrics, plus optional pprof
Build and run
go build -o voiceblender ./cmd/voiceblender ./voiceblender
Quick Start
```bash
Use Cases
- Voice AI agents -- put an AI agent on inbound or outbound phone, WhatsApp or browser calls
- Contact center -- conferencing, transfers, supervisor whisper / barge-in, recording with PCI pause
- Outbound dialing -- answering machine detection, TTS announcements, DTMF menus
- Call recording & analytics -- SIPREC recording server with live transcription
- Live translation -- separate rooms for the original and translated audio of one call
- Protocol gateway -- bridge SIP, WebRTC, WhatsApp, LiveKit and WebSocket participants in one room
Examples
Complete reference applications built on VoiceBlender live in VoiceBlender/example-applications:
| Application | Description |
|---|---|
| [contact-centre](https://github.com/VoiceBlender/example-applications/tree/main/cmd/contact-centre) | Inbound contact centre with queues, agent and supervisor dashboards, whisper and monitor |
| [ivr](https://github.com/VoiceBlender/example-applications/tree/main/cmd/ivr) | Multi-department DTMF IVR with hold music and an AI voice agent fallback |
| [pbx](https://github.com/VoiceBlender/example-applications/tree/main/cmd/pbx) | Multi-tenant SIP PBX with trunks, dial-plan editor and browser softphones |
| [ptt](https://github.com/VoiceBlender/example-applications/tree/main/cmd/ptt) | Browser push-to-talk walkie-talkie over WebRTC |
| [interpreter](https://github.com/VoiceBlender/example-applications/tree/main/cmd/interpreter) | Live two-way speech translation with captions |
API Overview
All endpoints live under /v1. The table is a map only -- see API.md for requests, responses and events.
| Area | Endpoints |
|---|---|
| Legs | POST /legs (originate sip / whatsapp / websocket / livekit_room), GET /legs, GET\|DELETE /legs/{id} |
| Call control | /legs/{id}/ answer, ring, early-media, challenge, mute, deaf, hold, transfer/*, dtmf, rtt |
| Leg media | /legs/{id}/ play, tts, record, stt, agent/*, amd, filters, streams/*, siprec |
| Inbound legs | GET /legs/websocket (WebSocket), CONNECT /legs/moq (WebTransport), POST /webrtc/offer |
| Rooms | POST\|GET /rooms, GET\|DELETE /rooms/{id}, /rooms/{id}/legs, /rooms/{id}/ws |
| Room media | /rooms/{id}/ play, tts, record, stt, agent/*, siprec |
| Room topology | /rooms/{id}/bridges, /rooms/{id}/routing, PATCH /legs/{id}/role |
| SIP | /sip/registrations, /sip/registrations/attempts/{id}/*, /sip/trunks |
| Events | GET /vsi (WebSocket), webhooks configured globally or per leg / room |
Security: the HTTP API has no built-in authentication. Access is gated only by the ALLOWED_IPS allowlist and network placement -- put an authenticating reverse proxy in front of it before exposing it to untrusted networks.
After it answers, say something (needs ELEVENLABS_API_KEY), then hang up
curl -X POST $API/legs/$LEG/tts -H "$JSON" \ -d '{"text":"Hello from VoiceBlender","voice":"Rachel","provider":"elevenlabs"}' curl -X DELETE $API/legs/$LEG ```
Watch the call progress (leg.ringing, leg.connected, tts.finished, leg.disconnected, ...) by setting WEBHOOK_URL or connecting a WebSocket client to ws://localhost:8080/v1/vsi.
Typical Workflow
1. Configure a webhook WEBHOOK_URL env var, or per leg / room
2. Receive inbound call --> webhook: leg.ringing {leg_id, from, to}
3. Answer POST /v1/legs/{id}/answer
4. Create a room POST /v1/rooms
5. Add legs to room POST /v1/rooms/{id}/legs
6. Attach AI agent POST /v1/legs/{id}/agent/{provider}
7. Start recording POST /v1/rooms/{id}/record
8. Hang up DELETE /v1/legs/{id}VoiceBlender 是一个基于 Go 语言开发的专业级语音服务，旨在实现 SIP 与 WebRTC 语音通话之间的无缝桥接。它支持多方音频混音（Multi-party audio mixing），并提供完善的 REST API 和实时 Webhooks 机制，能够帮助开发者构建复杂的实时语音交互应用。
本项目具备强大的语音处理能力：支持 SIP 入站与出站通话，兼容 PCMU、PCMA、G.722 及 Opus 等多种编解码器，并���持 Digest Auth 与 RFC 4028 会话定时器。此外，它支持 SIP over TLS 以满足 WhatsApp 等平台的安全性要求，并具备 Early media 功能，允许在通话接通前播放自定义彩铃或 IVR 语音。通过灵活的 Inbound/Outbound 逻辑，可轻松实现与 Meta/WhatsApp 的集成。
在进行集成测试时，系统需要部署两个 SIP 实例。项目核心依赖于高性能的 Go 语言库，包括用于处理 SIP 协议栈的 sipgo，以及业界领先的 WebRTC 实现库 pion/webrtc，确保了语音传输的高效与稳定。
您可以通过 Go 编译环境直接构建并运行本项目。在项目根目录下执行 `go build -o voiceblender ./cmd/voiceblender` 生成二进制文件，随后通过 `./voiceblender` 命令启动服务。建议在生产环境中使用预编译的二进制文件以获得最佳性能。
项目提供了丰富的示例代码以帮助快速上手。您可以参考 `examples/call_handler.py` 使用 Python 编写 Webhook 监听器来处理入站 SIP 通话及会议室逻辑；使用 `examples/webrtc-client/` 构建基于浏览器的 WebRTC 语音客户端，支持房间管理与 DTMF 按键；此外，还提供 `gen_test_wav.py` 用于生成测试用的 WAV 音频文件。
VoiceBlender 的所有配置均通过环境变量（Environment Variables）进行管理。启动前需根据需求设置 `INSTANCE_ID`、`HTTP_ADDR` 及 `SIP_BIND_IP` 等参数。若需启用 SIP TLS 功能，必须配置 `SIP_TLS_PORT`、`SIP_TLS_CERT`、`SIP_TLS_KEY` 以及与 Meta 注册信息一致的 `SIP_DOMAIN`。
本项目提供完整的 REST API 接口用于控制通话生命周期、管理会议室及挂载 AI Agent。详细的接口定义、请求参数及响应格式请参阅项目中的 `API.md` 文档，以获取完整的 API Reference。
典型的业务工作流如下：首先通过 `POST /v1/webhooks` 注册 Webhook 接收通知；当收到入站通话的 `leg.ringing` 事件后，通过 `POST /v1/legs/{id}/answer` 接听；随后创建 Room 并将通话 Leg 加入其中；最后通过 `POST /v1/legs/{id}/agent` 挂载 AI Agent 并根据需要开启录音功能。
针对常见问题，若遇到 SIP 403 错误，通常是因为 `SIP_DOMAIN` 与 Meta 注册的 FQDN 不匹配，请确保配置的是域名而非 IP；若在发起出站通话时收到 404 Not Found，请检查接收方号码的有效性及路由配置。通过 `GET /settings` 接口可以快速核对当前配置状态。
aiskill88点评：底层能力扎实，将传统通信协议与现代AI语音流结合，是构建高性能语音Agent的理想基座。
- 构建多智能体协作系统的 Agent 开发者
- 做语音类 AI 产品的开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- Docker：voiceblender 提供官方镜像，docker compose up 一键启动
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 构建多智能体协作系统的 Agent 开发者
- 做语音类 AI 产品的开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，VoiceBlender 语音控制平台 是一款质量优秀的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | voiceblender |
| 原始描述 | 开源AI工作流：A programmable voice platform: SIP and WebRTC call control, multi-party mixing, 。⭐68 · Go |
| Topics | 语音AIWebRTC实时通信 |
| GitHub | https://github.com/VoiceBlender/voiceblender |
| License | MIT |
| 语言 | Go |
收录时间：2026-05-26 · 更新时间：2026-05-30 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。