Miuda.ai

快速开始

本章将说明如何使用 RustPBX 搭建一个语音智能体。

前期准备

在开始之前，需要准备好以下内容：

运行环境

  • Docker：用于运行 RustPBX 服务
  • Go 编译器：用于运行客户端代码

云服务 API Key

这里我们以阿里云作为示例。

你需要开通阿里云百炼 并创建 API Key，会用到以下服务：

  • 我们还支持腾讯云和 Deepgram 的 TTS 和 ASR 服务。
  • 你可以选择任何兼容 OpenAI API 的大语言模型服务。

启动 RustPBX 服务

我们需要创建一个配置文件，然后使用 Docker 启动 RustPBX。

创建配置文件

在工作目录创建 config.toml 配置文件：

cat > config.toml << 'EOF'
http_addr = "0.0.0.0:8080"
log_level = "info"
stun_server = "stun.l.google.com:19302"
recorder_path = "/tmp/recorders"
media_cache_path = "/tmp/mediacache"

[ua]
addr = "0.0.0.0"
udp_port = 13050
EOF

http_addr = "0.0.0.0:8080" 是 RustPBX 的 WebSocket 地址，用于客户端连接。

使用 Docker 启动 RustPBX

运行以下命令，将 your_dashscope_api_key 替换为你的 API Key：

docker run -d \
  --name rustpbx \
  -p 8080:8080 \
  -p 15060:15060/udp \
  -p 13050:13050/udp \
  -p 20000-30000:20000-30000/udp \
  -e DASHSCOPE_API_KEY=your_dashscope_api_key \
  -v $(pwd)/config.toml:/app/config.toml \
  -v $(pwd)/recordings:/tmp/recorders \
  ghcr.io/restsend/rustpbx:latest \
  --conf /app/config.toml

下载 SDK

从 GitHub 下载 RustPBXGo 代码：

git clone https://github.com/restsend/rustpbxgo.git
cd rustpbxgo

RustPBXGo 的 cmd 目录中包含一个示例应用。

我会在下一章代码详解 中详细说明。

启动客户端

运行客户端，将 your_dashscope_api_key 替换为你的 API Key：

go run /static/docs-zh/active-call/tutorial/cmd \
  --endpoint ws://127.0.0.1:8080 \
  --tts aliyun --speaker longyumi_v2 \
  --asr aliyun \
  --openai-key your_dashscope_api_key \
  --model qwen-plus \
  --openai-endpoint https://dashscope.aliyuncs.com/compatible-mode/v1 \
  --greeting "你好，有什么可以帮你的吗"

参数说明

  • --endpoint：RustPBX WebSocket 地址，在之前创建的 config.toml 中的 http_addr 字段中配置
  • --openai-key：大模型 API Key
  • --model qwen-plus：模型名
  • --openai-endpoint：OpenAI 兼容 API 端点，如果使用其他模型，需要修改成相应的地址。
  • --greeting：欢迎语。

测试语音智能体

现在你可以对着麦克风说话，可以尝试以下问题：

  • “今天天气怎么样？”
  • “讲个笑话”
  • “1+1等于几？”
  • “你是谁？”

架构

TutorialIntro
  1. 客户端创建 WebRTC Peer
  2. 客户端连接到 RustPBX，然后发送 Invite 命令
  3. RustPBX 连接 WebRTC Peer (在第 1 步创建)
  4. 当有语音输入时，RustPBX 会调用 ASR 服务，通过 ASR 事件将识别的文本结果发送到客户端
  5. 客户端使用文本结果请求大模型
  6. 客户端使用 TTS 命令播放大模型回复结果
  7. RustPBX 调用 TTS 服务将文字转换成语音并发送到 WebRTC Peer，然后重复 4-7 步
  • 为了简便，客户端启动了一个 WebRTCPeer。在实际场景中，WebRTC Peer (或 SIP Phone) 会在外部，客户端只负责业务逻辑和大模型交互。

更多内容