一台 Mac 变身 AI 电话前台：ai-phone 用本地大模型接打真实电话

当大多数 AI 语音产品还依赖云端推理时，一个开源项目给出了另一种可能：让一台普通的 Mac 直接接听和拨出真实电话。这个名为 ai-phone 的项目以 SIP 电话守护进程的形式运行在 Apple Silicon 芯片的 macOS 上，将本地语音识别、语音合成与语言模型串联起来，把桌面电脑变成一个随叫随到的 AI 前台。项目采用 AGPL-3.0 许可证开源，来电时按预设问候语应答，也能根据提示词主动拨出电话，通话结束后返回完整文字记录。

从工具到智能体能力的延伸

ai-phone 的核心思路是全链路本地化。语音识别使用 Parakeet 模型，通过苹果的 MLX 框架在本地运行；语音合成可选 Phonon 或 Kokoro，支持美式和英式声音且语速可调；语言模型则灵活可选，既可以用本地 MLX 模型，也可以接入 Claude Code、Codex 订阅或任何兼容 OpenAI 接口的端点。这意味着即使对话交给云端模型处理，语音的听与说仍然发生在本机，敏感音频不会被上传。

硬件门槛并不高。默认的 4B 本地模型建议 16 GB 内存，9B 模型建议 32 GB，8 GB 机器可以在安装时选择更小的 2B 模型。线路接入提供多种路径：直接使用 SIP 地址通话，或接入自有 SIP 中继、Telnyx、Twilio 账号获得真实电话号码。想零成本试用，只需在安装时选择 SIP 地址方式，用 pjsua 软电话拨打本机地址即可体验完整流程。

从多年产业实践经验来看，这类本地语音智能体的价值在于把「接电话」这个高频但低复杂度的场景真正自动化。安装流程已经相当成熟：克隆仓库后运行安装脚本，执行 setup 向导即可选择只接听、只拨出或两者兼有，向导会根据检测到的内存推荐并下载模型权重。对外部 Agent 的支持尤其值得关注——项目提供了中继模式，具备 shell 权限的 Agent 可以通过 call、say、listen、hangup 几条命令逐轮控制通话，每条命令以 JSON 返回结果，相当于把电话能力变成了智能体的一个标准工具。这为构建「AI 助理帮你订餐厅、查营业时间」这类复合工作流打开了空间。当然限制也要看清：目前仅支持英语、一次只能处理一路通话，真实运营商线路的端到端验收尚未完成，压力条件下首次响应中位数为 1.50 秒，距离 1 秒目标还有优化空间。

隐私设计是这个项目最值得称道的部分。语音识别与合成完全在本地完成，音频本身经由 SIP/RTP 传输，不经过任何第三方服务器；只有当用户主动选择远程语言模型或接入外部 Agent 时，转录文本才会流向对应的云服务商，且边界清晰透明。实际使用中，拨出电话的命令形如一条简单的命令行指令，附带提示词即可让 AI 去询问餐厅今晚八点有没有两人桌，所有拨出电话开头都会先声明自己是 AI，合规意识到位。对企业而言，这类架构指向一个务实的方向：前台接待、预约确认、回访通知等场景，可以用一台内网里的 Mac 承载，数据不出门、成本可控、按需启停。虽然当前仅支持英语且单路通话，但随着 MLX 生态的多语言模型成熟，这些限制预计会逐步解除。

ai-phone 展示了本地大模型从「能聊天」走向「能办事」的具体路径：一台 Mac、一套开源语音栈、一个 SIP 守护进程，就能搭建起真实的电话智能体。对关注私有化部署与智能体工具集成的团队来说，它是一个值得动手试验的参考样本。