bolna-ai/bolna

解決する課題

音声アシスタントをゼロから構築するには、電話の受信、音声の文字起こし、何を言うかを決定する LLM の実行、音声の合成、そしてリアルタイムでのストリーミングなど、多くの要素を組み合わせる必要があります。Bolna はそのオーケストレーションを処理するため、シンプルな JSON 設定または数行の Python で完全な音声エージェントを定義し、既に使用している音声、言語、テレフォニープロバイダーをプラグインできます。

仕組み

Bolna は、WebSocket 上のデータストリームとして会話パイプラインを実行します。オーディオはテレフォニープロバイダー（Twilio、Plivo など）から入り、ASR プロバイダー（Deepgram、Azure、またはセルフホストサービス）によって文字起こしされ、文字起こしテキストは LLM（OpenAI、DeepSeek、Llama、Mistral など、LiteLLM 経由）に送信され、モデルの応答は TTS プロバイダー（ElevenLabs、AWS Polly、OpenAI など）によって音声に変換され、発信者にストリーミングで返されます。各段階でプロバイダーとモデルを選択してエージェントを定義すると、Bolna がそれらを接続します。README には、Assistant を作成し、トランスクライバー、LLM エージェント、シンセサイザーを含む会話タスクを追加し、それをチャンクの非同期ストリームとして実行する最小限の Python 例が示されています。電話発信の場合、ローカル Docker セットアップにより、テレフォニーサーバー、Bolna サーバー、トンネリング用の ngrok、エージェントデータを永続化するための Redis が提供されます。

対象者

音声ベースの会話アシスタント（電話サポートボット、音声インターフェース、または電話で人と話す自動化）を迅速に構築したい開発者とチーム向けです。自分で実行できるオープンソースのオーケストレーションレイヤーを求め、新しいプロバイダーで拡張したり、独自のホスト型またはエンタープライズソリューションのバックボーンとして使用したい人に適しています。

ハイライト

• プロバイダー非依存：エージェントロジックを変更せずに ASR、LLM、TTS プロバイダーを組み合わせて使用できます。
• ストリーミングファースト：オーディオとテキストが非同期に流れ、リアルタイムのインタラクションを可能にします。
• シンプルな API：数行の Python でエージェントを定義するか、JSON で設定します。
• 完全なテレフォニーテスト環境のためのローカル Docker セットアップ。
• 拡張可能：基本クラスを拡張して新しいテレフォニーまたは音声プロバイダーを追加できます。
• 活発なコミュニティ：MIT ライセンス、PR 歓迎、Discord チャンネルあり。