很多团队想让自己的大模型能打电话、接电话，真动手才发现：大模型本身只会处理文字，没法直接连电话线。要落地，必须搭一套"通信 + 实时语音 + 大模型"协同的架构。这篇按层拆开讲透，最后给两条落地路径。

一、整体架构：四层缺一不可

一通 AI 电话，本质是这四层闭环串起来：

1. 通信接入层（PSTN / SIP 线路）：运营商线路发起或接听真实号码呼叫，建立双向音频流。涉及号码资源与运营商资质，国内合规这关在这一层。

2. 语音识别层（ASR）：把对方实时说的话转成文字，要流式、低延迟。

3. 大模型层（LLM）：理解意图、多轮对话、调用工具、决定是否转人工。这是你的核心，也是最该自己掌控的一层。

4. 语音合成层（TTS）：把回复文本实时合成自然人声，送回电话。

四层要边收边处理（边识别、边推理、边合成），而不是一步步等，否则延迟会破秒。

二、最难的不是大模型，是实时性和合规

实时性：ASR、LLM、TTS 任一环慢一点，端到端就破一秒，对方立刻感觉在跟机器说话。经验值是端到端控制在 800 毫秒内、打断响应几百毫秒，对话才有连续感。

合规：号码线路资质、反诈、实名，国内绕不过去，自建时最容易被低估。

三、两条落地路径

路径一：自建。从 SIP、号码到流式 ASR/TTS、打断、断线重连、合规一整套自己搭，可控性最高，但周期通常数周到数月。

路径二：用电话运行时。把通信 + 实时语音这两层交给平台，你只保留大模型和业务逻辑，通过一个接口接入。以 VoxAgent（面向 AI Agent 的电话语音运行时）为例，接入概念上是：通话中它把每轮对话 POST 到你的 Webhook（带 turn、caller、callee、callid、用户文本），你用 SSE（text/event-stream）流式返回回复、结束返回 data: [DONE]；主动外呼调它的外呼接口、HMAC 签名校验。你只实现一个 Webhook + SSE，线路、号码、实时语音、合规都交给运行时，号称一小时能跑通最短链路，目前测试阶段免费。它和境外同名的 voxagent.app 不是一回事。

四、小结

大模型接电话 = 通信层 + ASR + LLM + TTS 四层协同，难点在实时性和国内合规。想快速落地、把精力留给模型和业务，用电话运行时只补一个接口最省事；要彻底掌控底层再自建。