Hotdry.
归档
ai-systems

用 Twilio SMS 增强 Microsoft Call Center AI：无服务器语音代理呼叫中心集成

基于开源 call-center-ai 项目，集成 Twilio SMS 实现 API 触发 AI 代理拨打电话，支持实时 TTS/STT、状态管理和错误恢复的工程参数与部署清单。

Microsoft call-center-ai 项目提供了一个完整的开源框架，用于构建 AI 驱动的呼叫中心，支持通过 API 触发 AI 代理拨打或接听电话，实现实时语音交互。该项目主要依赖 Azure Communication Services 处理核心电话通话，但通过简单配置即可集成 Twilio SMS，提升多渠道通信能力，形成无服务器语音代理呼叫中心。这种集成特别适用于 IT 支持、保险理赔或客服场景，能处理低至中等复杂度任务，同时确保状态连续性和错误恢复。

核心集成优势

将 Twilio SMS 与 call-center-ai 结合，能扩展项目从纯语音到语音 + 短信的混合交互。项目默认使用 Azure Communication Services (ACS) 管理入站 / 出站呼叫，支持专用电话号码，但 SMS 部分可选 Twilio，避免单一供应商锁定。API 调用示例中，可指定 bot_company、bot_name、phone_number 和 task，触发代理拨打目标号码，同时 SMS 用于补充信息收集或回调通知。这种设计实现 24/7 可用性，代理可生成待办事项、RAG 检索内部文档，并检测越狱尝试。

证据显示，项目架构采用云原生容器化部署（Azure Container Apps），结合 Redis 缓存对话状态，确保断线后 3 小时内可恢复（callback_timeout_hour=3）。实时流式处理避免延迟：STT 使用 Azure Cognitive Services 实时转录，TTS 合成自然语音，支持多语言（如 fr-FR-DeniseNeural）。Twilio SMS 配置后，代理可在通话中发送确认码或后续提醒，形成闭环。

可落地部署参数清单

要实现 Twilio 集成，首先准备 Azure 资源组、ACS 资源和电话号码（支持入站 / 出站语音，SMS 可选）。本地开发需 Rust、uv 和 make install；远程部署用 Bicep IaC。

  1. config.yaml SMS 配置（核心集成点）：

    sms:
  mode: twilio
  twilio:
    account_sid: "your_twilio_account_sid"
    auth_token: "your_twilio_auth_token"
    phone_number: "+1234567890"

    此配置启用 Twilio 处理 SMS，代理可通过工具调用发送文本，如预约确认。测试时，确保 Twilio 号码支持 SMS，并验证 webhook 路由回代理。

  2. 通话超时与 VAD 参数（实时性保障）：

    参数 默认值 推荐调优 说明
    answer_hard_timeout_sec 15 20 LLM 响应超时，超出播放错误提示
    answer_soft_timeout_sec 4 6 等待中提示阈值，避免用户感知延迟
    phone_silence_timeout_sec 20 15 静音警告，避免挂断
    vad_silence_timeout_ms 500 600 语音活动检测静音阈值
    vad_threshold 0.5 0.6 VAD 敏感度，防噪音干扰

    这些参数通过 App Configuration 动态调整，无需重启。监控 Application Insights 中的 call.answer.latency，确保 <2s。

  3. 状态管理与错误恢复：

    • Redis 缓存：存储 conversation、claim、reminders，支持断线续传。键 TTL 默认 3h。
    • Claim Schema：自定义字段如 {"name": "caller_email", "type": "email"}，验证 E164 电话格式。
    • 错误恢复：recognition_retry_max=3，重试 STT；slow_llm_for_chat=false，使用 gpt-4o-mini 加速。
    • 人类回退：feature flag 启用，转接人工代理。

  4. 部署清单：

    • 远程：make deploy name=my-rg，使用 ghcr.io/clemlesne/call-center-ai:main 镜像。
    • 本地：make deploy-bicep deploy-post + devtunnel，API at localhost:8080。
    • RAG 集成：AI Search 索引 schema（answer、context、vectors:1536 dims），上传企业文档。
    • 监控：OpenLLMetry 追踪 LLM token/latency；自定义 metrics 如 call.aec.dropped。

成本估算（1000 通 10min 通话 / 月）：ACS $40 + OpenAI $50 + Speech $150 ≈ $720。生产化需 vNET、私有端点。

工程实践要点

集成后，API POST /call 触发代理："task": "IT 支持，收集 hardware_info"。代理使用 GPT-4o-mini（10-15x 成本优于 GPT-4o），RAG 检索敏感数据，moderation 阈值 0-7 级过滤。断线时，Redis 恢复最后 messages [] 和 next.action。

引用自 GitHub repo：“支持断线后恢复对话，并存储以供未来参考。” 实际部署中，优化 PTU 部署 OpenAI 减 latency 50%。

风险控制：POC 阶段加单元测试、multi-region；启用 recording_enabled=true 存 Azure Storage。

最后，报告 API /report/{phone_number} 查看 claim、synthesis（satisfaction: high）。

资料来源：

（正文 1056 字）

查看归档