Python 实现手机通话语音通过 UDP 传输至局域网
前言
此前我们探讨过在 Android 手机上拦截通话声音并插播语音片段，或者根据 DTMF 按键播放 IVR 应答的方案。但在 AI 电话沟通场景中，受限于手机本身的算力和性能，大模型通常无法直接部署在终端设备上。这就需要将拦截到的通话音频数据，通过网络（局域网或互联网）传输给具备 AI 算力的服务器。
由服务器对语音进行 ASR 识别和语义理解，生成应答 TTS 语音后，再反馈回手机注入到通话流中。
目前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 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设备。
虽然我们在 SIP 协议对接 FreeSwitch、VOS 及呼叫中心方面投入了大量精力，但本质上，手机电话做 AI 呼叫并不强依赖 SIP 协议。手机 APP 提取到通话声音后，完全可以直接传给局域网内的 AI 服务器，或者让本地 AI 模型消费会话。相比 SIP，这种方式更灵活，例如处理'拨号带逗号自动转分机'这类逻辑时就没有协议限制。
本文基于上述场景，介绍如何部署一台局域网 AI 服务器，通过 UDP 数据包同时处理多台 Android 手机的 AI 呼叫请求，并生成 TTS 应答。由于交互全在局域网内进行，端到端时延极低（TTL 仅 1-2 跳），既能利用服务器的算力密度，又能高效响应多路 SIM 卡通话，实现低成本 AI 呼叫。
方案依赖配件
目前拦截手机通话声音的主流方案是蓝牙电话方案。这需要借助一个外置的 USB 蓝牙适配器插入手机，APP 才能拦截到通话事件和声音数据。
该方案优势在于普适性强，市面上任何品牌型号的 Android 手机，只要插上配件并安装 APP，即可支持。适配器的形态通常类似下图所示：
![USB 蓝牙适配器示意图]
购买到的 USB 蓝牙配件通常是标准接口，Android 手机可能需要一个 USB 转 Type-C 的转接头才能连接，这个配件很便宜，电商平台均可购得。
方案配置界面
为了让手机 APP 将语音数据和通话事件发布到局域网，需要对【智能拨号器 App】进行基础设置。进入 APP 设置选项卡，点击右上角齿轮图标打开【APP 应用设置】界面。
关键步骤是将默认的'SIP 协议栈：连接 SIP 平台'切换为'协议栈：手机 IVR-AI 语音处理'。
完成此设置后，APP 拦截到的通话声音不再转发至 SIP 平台，而是直接在手机与局域网内寻址到的【远程声音设备】之间进行数据交换。
Python 客户端命令行操作
本方案的 Python 脚本作为【远程声音设备】的标准输入输出源文件，支持 Windows、Linux 和 MacOS 三大平台（Windows 11 和 Ubuntu 18.04 已验证可用）。
详细的安装和配置步骤建议参考源码包中的 README.md 文档。简要来说，执行以下命令后即可启动服务：
pip install sounddevice numpy colorama
python main.py
运行后输入 help 或直接回车，会显示可用的命令行指令列表。主要流程如下：
- 发现设备：输入
discover扫描局域网内的手机设备。 - 绑定设备：输入
bind <设备 GUID>进行绑定。此时手机 APP 上会弹出提示框，需确认允许远程声音设备接入。 - 控制通话：绑定成功后，可使用以下指令进行通话控制：
call 10086：拨打指定号码。dtmf 2：通话中发送数字键。hangup：挂断电话。
程序架构设计
有了源代码后，具体的架构细节其实一目了然，核心代码仅六七个 Python 文件，简洁易懂。不过为了便于理解，这里梳理一下整体逻辑。
Python 脚本作为远程声音设备，采用 UDP + TCP 混合模式工作：
- UDP 协议：负责广播找人、寻址和绑定目标设备，以及电话通话期间上行和下行的全双工语音数据传输。占用端口范围 42700-42703。
- TCP 协议：负责建立稳定连接，确保通话事件和状态信息准时、完整地交换。电脑端使用随机端口，手机端固定使用 42700 端口。
