摘要

AI 语音机器人常用于热线前置接待，将用户语音转为文本识别意图，完成自助问答，复杂场景转人工。很多项目采用 SIP 中继方式接入 AI 机器人，开发人员经常混淆 SIP 信令、RTP 媒体流、ASR 语音处理三者之间的关系，出现：SIP 呼叫建立成功但 ASR 收不到语音、转人工呼叫中断、SDP 编码协商失败、语音断流等问题。本文讲解 AI 语音机器人基于 SIP Trunk 的整体架构、完整信令交互流程、媒体编码选型，重点分析 AI 转人工场景的 SIP 信令处理逻辑，同时提供抓包调试方法和线上高频故障排查方案，为语音 AI 通信集成项目提供落地参考。

关键词：AI 语音机器人；SIP 中继；SIP 对接；RTP；ASR；语音转人工；SDP

一、整体架构与模块边界

整套链路：PSTN 来电 → SIP 网关（SIP INVITE） → AI 语音机器人平台

1. SIP 信令：负责呼叫建立、媒体协商、保持、转人工、挂断释放；
2. RTP 媒体流：原始语音音频，从呼叫对端传输到 AI 平台；
3. ASR：接收 RTP 语音流，实时转文字；NLU 做意图识别，TTS 生成应答语音，再封装回 RTP 返回给用户。

核心区分：SIP 只负责控制呼叫生命周期；RTP 承载音频；AI 能力（ASR/NLU/TTS）是媒体流上层业务处理。 当 AI 判断无法处理用户问题，通过 SIP REFER 信令完成呼叫转接，将通话转移到云坐席 / 呼叫中心。

二、一次 AI 呼叫完整 SIP 信令时序

呼叫网关        AI机器人平台
   | INVITE(SDP PCMA)     |
   |--------------------->|
   | 100 Trying           |
   |<---------------------|
   | 180 Ringing          |
   |<---------------------|
   | 200 OK(SDP PCMA)     |
   |<---------------------|
   | ACK                  |
   |--------------------->|
   |==== RTP语音流 ====   |
   | 用户语音→ASR识别     |
   | TTS语音回传给用户    |
   | 触发转人工 REFER     |
   |--------------------->|
   | 200 OK               |
   |<---------------------|
   | BYE（释放AI侧会话）  |
   |--------------------->|

重点信令说明：

1. INVITE：发起呼叫，SDP 携带媒体 IP、端口、编码；
2. REFER：核心信令，AI 触发转人工，将通话重定向至坐席队列；
3. BYE：通话结束，释放 SIP 会话；
4. 常用响应码：415 不支持媒体编码，487 请求取消，500 服务内部异常。

三、SIP 中继对接关键配置

1. 编码：优先 PCMA(G.711a)，国内运营商主流编码，减少转码开销；不推荐默认 G.729，会影响 ASR 识别准确率；
2. SIP 端口：UDP 5060，加密场景 TLS 5061；
3. RTP 端口区间：推荐 10000~20000 UDP，防火墙双向放行；
4. 保活：OPTIONS 心跳检测，定时探测 AI 平台 SIP 服务存活；
5. NAT 处理：公网部署使用公网媒体 IP；内网对接需开启 SIP ALG，修正 SDP 内媒体地址，防止 RTP 不通。

SIP 中继配置示例

[ai-trunk]
remote_ip=ai-sip-gateway.example.com
remote_port=5060
auth_mode=ip_white
codec=PCMA
rtp_port_range=10000-20000
options_keepalive=yes
refer_support=yes

重要开关 refer_support=yes：AI 转人工场景必须开启，平台支持 REFER 信令。

四、AI 转人工场景的两种 SIP 实现方案

方案 1：REFER 盲转（推荐）

AI 平台发送 REFER 信令，通知网关把通话直接路由到坐席队列，AI 平台退出媒体流。 优点：AI 不再占用媒体资源，资源利用率高； 风险点：REFER 执行失败时，需要回落兜底策略，返回 AI 提示语音。

方案 2：MediaPass 媒体旁路转接

AI 继续保留媒体分支，将语音同时转发给坐席，AI 旁听。 优点：AI 可继续保留对话上下文； 缺点：持续占用 AI 媒体资源，并发成本更高。

开发注意：转人工前，AI 平台需要通过业务 API 把对话上下文（用户问题、识别文本、意图）推送给坐席业务系统。SIP 只做语音转移，对话文本不会随 SIP 信令自动携带。

五、集成测试用例

1. 基础呼叫测试：SIP INVITE 建立通话，用户语音送入 ASR，TTS 正常播放应答；
2. 编码异常测试：强制协商 G729，验证 ASR 识别效果；
3. 转人工场景测试：用户请求人工，触发 REFER，通话成功转移到坐席；
4. REFER 失败兜底测试：模拟坐席队列全部繁忙，验证 AI 返回兜底话术；
5. 网络抖动测试：模拟 RTP 丢包，验证 ASR 容错；
6. 并发压测：多路呼叫，验证 SIP 注册稳定性、媒体节点负载。

六、线上高频故障排查

故障 1：SIP 呼叫成功建立，但是 ASR 识别不到声音

排查：Wireshark 抓包查看 RTP 流。

• SDP 协商出来的媒体 IP 是内网 IP → NAT 问题，RTP 包无法送达 AI 媒体节点；
• 编码协商错误，双方编码不一致，音频无法解码。

故障 2：AI 转人工 REFER 信令返回 503，转接失败

排查：

1. 对端 SIP 网关不支持 REFER 信令；
2. 目标坐席队列地址配置错误；
3. 目标中继并发资源耗尽。 解决方案：增加兜底分支，转接失败继续 AI 自助对话或引导留言。

故障 3：通话中途语音断断续续，ASR 识别乱

排查：RTP 丢包、网络抖动；检查防火墙 UDP 超时切断 RTP 流。

故障 4：转人工成功，但是坐席看不到 AI 对话记录

排查：SIP REFER 仅转移语音，对话上下文依靠业务 API 推送；API 调用失败或 callId 不匹配。

SIP 链路和业务上下文是两条独立通道，不要误以为 SIP 会携带对话文本。

故障 5：OPTIONS 保活探测频繁 408 超时

排查：防火墙拦截 5060 UDP；出口 IP 变化；AI 媒体节点负载过高。

七、两种集成方案对比

表格

方案	描述	适用场景	风险点
SIP Trunk 对接 AI 机器人	语音通过 SIP+RTP 接入，REFER 转人工	大规模热线前置 AI 接待，需要和现有呼叫中心打通	需要熟悉 SIP 信令、网络 NAT 调试
HTTP 流式音频 SDK	使用 websocket 传输音频对接 ASR	网页端、小程序语音交互场景	不适合传统 PSTN 电话线路

八、总结

AI 语音机器人 SIP 对接，最大误区是认为 SIP 可以传递对话文本。SIP 仅控制呼叫生命周期与媒体协商，ASR 识别、对话上下文、意图信息，都需要业务 API 单独传输。 在落地时优先选用 PCMA 编码保障识别效果，转人工场景优先使用 REFER 盲转并配置兜底策略。调试时优先抓包，重点观察 SDP 媒体 IP、RTP 流、REFER 信令返回码。同时区分语音通道和业务数据通道，避免转人工后上下文丢失的业务问题。