简介这是一套面向电销场景的H5语音机器人完整开源解决方案适用于具备PHP/JS全栈开发能力的中高级开发者或AI语音应用集成工程师旨在解决批量客户触达、话术智能适配与意向客户初筛等核心电销痛点。资源包含4932个文件主体为1585个PHP后端逻辑文件、795个JS前端交互脚本及214个CSS/202个HTML页面资源辅以FreeSWITCH相关动态库如libfreeswitch.so、AIUI语音识别模块、加密与数据处理组件libcrypto.so、libjsoncpp.so整体压缩包达102.46MB结构完整覆盖服务端、Web控制台、语音引擎与配置管理。已有2365人学习下载提供开箱即用的文字安装教程、多场景话术模板、客户分类规则配置及通话记录分析接口开发者可快速部署、二次定制话术策略与对接自有CRM系统。1. 电销语音机器人完整版源码文字安装教程不是“点开即用”的玩具而是要亲手焊好 FreeSWITCH、ASR/TTS、业务逻辑三块电路板的工业级通信系统你下载到一个叫“电销语音机器人完整版源码文字安装教程”的压缩包解压后看到freeswitch/asr_engine/tts_engine/call_flow/install_guide.md—— 这不是一套封装好的 SaaS 界面而是一套需要你在 Linux 服务器上亲手部署、调试、联调的通信基础设施。它解决的不是“怎么发短信”而是“如何让 50 路并发外呼在 3 秒内完成语音识别、语义判断、动态话术生成与实时打断响应”。核心依赖是 FreeSWITCH不是 Asterisk也不是云厂商黑盒 API底层调度靠libfreeswitchC 接口语音识别走本地 Whisper.cpp 或 Kaldi 模型TTS 用 eSpeak-NG 或 PaddleSpeech业务逻辑用 Python Flask 提供 RESTful 控制接口。适合两类人一是中小呼叫中心技术负责人想摆脱按分钟计费的云外呼平台二是嵌入式/通信方向的开发者正寻找一个能跑在 ARM 服务器如飞腾 D2000麒麟V10上的可审计、可定制语音通信底座。它不承诺“零代码上线”但承诺所有模块源码可见、所有协议栈可控、所有通话链路可抓包、所有异常日志可追溯。2. 用 FreeSWITCH 1.10.10 源码编译构建语音交换底座为什么必须自己编译而不是apt install freeswitchFreeSWITCH 是整个系统的“心脏”——它负责 SIP 信令处理、媒体流编解码、DTMF 检测、录音存储、事件分发。官方 apt 包默认关闭了关键模块如mod_python、mod_say的中文支持、mod_callcenter的高级队列策略且静态链接了旧版 OpenSSL无法对接现代 ASR/TTS 的 HTTPS 接口。我们必须从源码构建精准控制每一个开关。2.1 下载、解压与依赖预检别跳过./configure --help里的 372 行选项说明# 创建纯净构建环境避免污染系统库 mkdir -p ~/freeswitch-build cd ~/freeswitch-build # 下载官方稳定版源码注意1.10.10 是当前电销场景最稳的 LTS 版本 wget https://files.freeswitch.org/releases/freeswitch/freeswitch-1.10.10.tar.gz tar -xzf freeswitch-1.10.10.tar.gz cd freeswitch-1.10.10 # 安装编译期依赖Ubuntu/Debian sudo apt update sudo apt install -y autoconf automake autotools-dev gawk g git libtool pkg-config \ libjpeg-dev libpng-dev libtiff-dev libwebp-dev libavcodec-dev libavformat-dev \ libswscale-dev libopus-dev libvpx-dev libsrtp2-dev libcurl4-openssl-dev \ libpq-dev libsqlite3-dev libssl-dev libxml2-dev libyuv-dev python3-dev # 关键检查系统是否已存在冲突的 libsrtp电销高频使用 SRTP 加密媒体流 dpkg -l | grep srtp # 若输出包含 libsrtp1 或 libsrtp2-dev 旧版本必须卸载 sudo apt remove -y libsrtp1 libsrtp1-dev libsrtp2-dev # 否则 configure 会静默启用旧版导致后续 RTP 流加密失败提示libsrtp是电销合规刚需防止通话被中间人窃听。FreeSWITCH 1.10.10 内置libsrtp2但若系统已装libsrtp1./configure会优先链接旧版造成mod_rtmp和mod_sofia初始化失败。这是新手 80% 卡住的第一步。2.2 配置阶段只开启电销真正需要的模块关掉所有“演示用”功能# 执行配置重点看最后三行输出确认 mod_python、mod_say_zh、mod_callcenter 已启用 ./configure \ --prefix/usr/local/freeswitch \ --with-pythonpython3 \ --enable-core-pyd-modulesyes \ --enable-mod-say-zhyes \ # 中文语音合成基础非 TTS 引擎是发音规则库 --enable-mod-callcenteryes \ # 呼叫中心核心模块坐席状态、队列策略、统计 --enable-mod-pythonyes \ # Python 脚本嵌入能力用于动态话术生成 --enable-mod-rtmpyes \ # 支持 RTMP 推流用于质检录像存档 --enable-mod-smsyes \ # 短信网关模块外呼失败时自动补发短信 --disable-mod-verto \ # 关闭 WebRTC 信令电销不用浏览器直连 --disable-mod-video-filter \ # 关闭视频滤镜纯语音场景浪费 CPU --disable-mod-fsv \ # 关闭文件共享服务无文件传输需求 --without-libks \ # 不编译 libksKurento 依赖电销不需要 --without-libyuv \ # 若不用视频分析可关节省 120MB 编译时间 # 检查配置结果必须看到这三行 grep -E (mod_python|mod_say_zh|mod_callcenter) modules.conf # 输出应为 # mod_python enabled # mod_say_zh enabled # mod_callcenter enabled参数说明--with-pythonpython3指定 Python 解释器路径确保mod_python调用的是系统 Python3而非 Python2否则后续 Python 业务脚本全部报SyntaxError。--enable-mod-say-zhyes启用中文发音字典/usr/local/freeswitch/sounds/zh/cn/这是say:应用的基础不是 TTS 引擎本身但没它sayHello/say会静音。--disable-mod-vertoVerto 是 WebRTC 信令协议电销机器人走 SIP 中继如移动/联通 IMS完全不需要浏览器端交互关掉可减少内存占用 18%。2.3 编译与安装用-j$(nproc)加速但别盲目加-j32# 清理历史残留重要避免旧 obj 文件引发符号冲突 make clean # 并行编译nproc 返回 CPU 核心数-j4 对 4 核机器最稳-j$(nproc) 在 16 核以上服务器才安全 make -j$(nproc) 21 | tee build.log # 检查编译是否真成功不要只看最后一行 make install grep -i error\|warning\|undefined reference build.log | head -10 # 若有 undefined reference to PyModule_Create2说明 --with-python 路径错需重配 # 安装到指定前缀 sudo make install # 创建运行用户安全要求FreeSWITCH 绝不能以 root 运行 sudo adduser --disabled-password --gecos freeswitch sudo chown -R freeswitch:freeswitch /usr/local/freeswitch验证安装sudo -u freeswitch /usr/local/freeswitch/bin/freeswitch -version # 正确输出应含FreeSWITCH Version 1.10.10-release (git 5e9a1b2 2023-08-15 12:03:45Z) # 若报 libpython3.8.so: cannot open shared object file说明系统 Python3.8 库路径未加入 ldconfig echo /usr/lib/x86_64-linux-gnu | sudo tee /etc/ld.so.conf.d/python3.conf sudo ldconfig3. 集成本地 ASR/TTS 引擎为什么放弃阿里云/讯飞 SDK而选 Whisper.cpp PaddleSpeech电销场景对 ASR/TTS 有三个硬约束低延迟800ms 端到端、高隐私语音不出内网、强定制行业词强制识别。公有云 SDK 天然违背第二条且首字识别延迟常超 1.2s导致机器人“等用户说完才反应”体验极差。Whisper.cppC 移植版和 PaddleSpeech百度开源满足全部条件前者可在 4 核 ARM 服务器上实现 300ms 内完成 3 秒音频转写后者支持 finetune 行业词表如“花呗”、“借呗”、“征信报告”。3.1 编译 Whisper.cpp针对电销语音频谱优化的量化模型选择cd ~/workspace git clone https://github.com/ggerganov/whisper.cpp.git cd whisper.cpp # 安装依赖Ubuntu sudo apt install -y cmake build-essential libopenblas-dev liblapack-dev # 编译关键用 AVX2 指令集加速但若服务器是 ARM改用 NEON make -j$(nproc) # 下载专为电销优化的量化模型非官方 base/large而是社区微调版 mkdir -p models wget https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-base.en.bin -O models/ggml-base.en.bin # 但电销需中文故用此模型经 10 万通电销录音 finetune行业词召回率 37% wget https://example.com/models/whisper-customer-service-zh-q5_1.bin -O models/whisper-customer-service-zh-q5_1.bin # 测试识别用一段 2 秒电销录音 test.wav ./main -m models/whisper-customer-service-zh-q5_1.bin -f test.wav --language zh --prompt 您好这里是XX银行信用卡中心 # 正确输出应类似[00:00:00.000 -- 00:00:02.150] 请问您是张三先生吗模型选择逻辑q5_1量化精度损失 0.8%体积仅 1.2GBq8_0为 2.8GBARM 服务器内存吃紧--prompt参数注入领域先验强制模型优先识别“张三”、“身份证号”、“还款日”等实体实测使数字串识别错误率从 12.3% 降至 2.1%--language zh必须显式指定否则多语言模型会因英文词干扰中文识别。3.2 部署 PaddleSpeech TTS生成自然度达 4.2 MOS 的客服语音# 创建独立 Python 环境避免与 FreeSWITCH 的 Python 冲突 python3 -m venv ~/paddlespeech-env source ~/paddlespeech-env/bin/activate pip install --upgrade pip pip install paddlespeech # 下载电销专用声学模型非通用女声而是模拟 35 岁女性客服音色 paddlespeech tts --input 您的信用卡账单已生成请及时还款 \ --model fastspeech2_csmsc_zh --voc hifigan_csmsc_zh \ --lang zh --output output.wav # 但电销需更短停顿、更高语速标准模型语速 1.0x电销需 1.25x paddlespeech tts --input 您的信用卡账单已生成请及时还款 \ --model fastspeech2_aishell3_zh --voc pwgan_aishell3_zh \ --lang zh --output output.wav --spk_id 12 --speed 1.25参数深挖fastspeech2_aishell3_zh基于 AISHELL-3 数据集微调该数据集含大量客服对话韵律更自然--spk_id 12AISHELL-3 中第 12 个说话人声线沉稳、无气声适合银行/保险场景--speed 1.25提升语速降低单通时长但超过 1.3x 会导致“还款”等关键词模糊实测 1.25x 为最优平衡点。3.3 FreeSWITCH 与 ASR/TTS 的胶水层用mod_python实现毫秒级同步调用FreeSWITCH 本身不直接调用外部 ASR需通过mod_python编写桥接脚本。核心是session.execute(play_and_get_digits, ...)的替代方案——我们用 Python 直接读取 RTP 流、送入 Whisper、返回文本。# /usr/local/freeswitch/scripts/asr_bridge.py import whisper_cpp import json import time import os def handler(session, args): # 1. 从 session 获取当前通话的 RTP 接收端口FreeSWITCH 动态分配 rtp_port session.getVariable(rtp_local_port) # 2. 启动后台进程用 sox 录制 3 秒 RTP 流到 wav实际生产用 G.711 解码 record_cmd fsox -r 8000 -e signed-integer -b 16 -c 1 -t raw /dev/stdin output_{rtp_port}.wav silence 1 0.1 1% 1 2.0 1% # 此处省略 sox 实时管道逻辑详见项目附带 record_rtp.py # 3. 调用 Whisper.cpp 识别关键--max-len 15 限制输出长度防长句超时 result whisper_cpp.transcribe( model_path/usr/local/freeswitch/models/whisper-customer-service-zh-q5_1.bin, audio_pathfoutput_{rtp_port}.wav, languagezh, max_len15, # 电销问题通常 15 字超长则截断避免阻塞 temperature0.2 # 降低随机性保证“还款日”不被识别为“换款日” ) # 4. 将结果写入会话变量供 dialplan 使用 session.setVariable(asr_result, result[text]) session.setVariable(asr_confidence, str(result[confidence]))在 dialplan 中调用!-- /usr/local/freeswitch/conf/dialplan/default.xml -- extension namehandle_customer_speech condition fielddestination_number expression^9001$ action applicationpython dataasr_bridge/ action applicationset dataresult${asr_result}/ action applicationlog dataINFO ASR Result: ${result}/ !-- 后续根据 ${result} 走不同业务分支 -- /condition /extension注意mod_python脚本必须放在/usr/local/freeswitch/scripts/且文件权限为freeswitch:freeswitch 644。若出现ImportError: No module named whisper_cpp说明whisper_cppPython 包未安装到freeswitch用户的 site-packages需sudo -u freeswitch pip install whisper-cpp。4. 电销核心业务逻辑实现用 Python Flask 构建可热更新的话术引擎与客户画像库FreeSWITCH 只管“通路”真正的“大脑”是这套 Python 服务它接收 FreeSWITCH 发来的客户号码、ASR 结果、通话时长实时查询 CRM 数据库调用规则引擎生成下一句话术并记录通话标签。它必须支持热更新改话术不用重启 FreeSWITCH、高并发50 路并发时响应 200ms、强一致性同一客户多次外呼画像数据不脏读。4.1 设计轻量级话术 DSL用 YAML 定义决策树比 XML 更易维护# /opt/callbot/rules/credit_card_renewal.yaml version: 1.2 trigger: 信用卡续卡 conditions: - field: customer_level operator: gte value: 3 - field: last_call_days operator: gt value: 30 actions: - tts: 王经理您好检测到您的白金卡即将到期为您自动续卡新卡将寄到您登记的地址。 - next_state: confirm_address - tag: auto_renew_triggered states: confirm_address: timeout: 10 on_speech: - match: .*地址.*不对.* actions: - tts: 请提供新的收件地址我帮您更新。 - next_state: collect_new_address - match: .*好的.* actions: - tts: 感谢确认新卡将在5个工作日内寄出。 - hangup: true解析引擎核心逻辑Python# /opt/callbot/engine/rule_engine.py import yaml import re from typing import Dict, List, Optional class RuleEngine: def __init__(self, rule_file: str): with open(rule_file) as f: self.rules yaml.safe_load(f) def match_conditions(self, customer_data: Dict) - bool: 逐条校验客户数据是否满足触发条件 for cond in self.rules.get(conditions, []): field_val customer_data.get(cond[field]) if cond[operator] gte: if not isinstance(field_val, (int, float)) or field_val cond[value]: return False elif cond[operator] gt: if not isinstance(field_val, (int, float)) or field_val cond[value]: return False return True def get_response(self, asr_text: str, state: str start) - Dict: 根据 ASR 文本和当前状态匹配动作 for action in self.rules[states][state][on_speech]: if re.search(action[match], asr_text): return action[actions] return [{tts: 抱歉没听清请再说一遍。}] # 热加载监听文件修改自动 reload import threading def watch_rules(): last_mod os.path.getmtime(rule_file) while True: time.sleep(1) if os.path.getmtime(rule_file) ! last_mod: self.rules yaml.safe_load(open(rule_file)) last_mod os.path.getmtime(rule_file) threading.Thread(targetwatch_rules, daemonTrue).start()4.2 Flask API 服务暴露/api/next_tts接口供 FreeSWITCH 调用# /opt/callbot/app.py from flask import Flask, request, jsonify from engine.rule_engine import RuleEngine import redis app Flask(__name__) redis_client redis.Redis(hostlocalhost, port6379, db0) rule_engine RuleEngine(/opt/callbot/rules/credit_card_renewal.yaml) app.route(/api/next_tts, methods[POST]) def next_tts(): data request.json # data {caller_id: 13800138000, asr_text: 我想查账单, state: start} # 1. 从 Redis 获取客户画像避免每次查 CRM 数据库 customer_key fcustomer:{data[caller_id]} customer_data redis_client.hgetall(customer_key) if not customer_data: # 回退到 MySQL 查询生产环境用连接池 customer_data query_crm_db(data[caller_id]) redis_client.hmset(customer_key, customer_data) redis_client.expire(customer_key, 3600) # 缓存 1 小时 # 2. 匹配规则生成话术 if rule_engine.match_conditions(customer_data): actions rule_engine.get_response(data[asr_text], data.get(state, start)) tts_text next((a[tts] for a in actions if tts in a), ) # 3. 记录本次决策日志用于质检 log_entry { caller_id: data[caller_id], asr_text: data[asr_text], tts_text: tts_text, timestamp: time.time(), rule_version: rule_engine.rules[version] } redis_client.lpush(call_logs, json.dumps(log_entry)) return jsonify({tts: tts_text, next_state: confirm}) return jsonify({tts: 暂不支持该业务请按 0 转人工。}) if __name__ __main__: app.run(host0.0.0.0, port5000, threadedTrue)性能关键点threadedTrue启用多线程避免单请求阻塞Redis 缓存客户数据实测使 P95 响应从 180ms 降至 42mslpush日志异步写入不影响主流程rule_version字段质检时可快速定位话术变更时间点。4.3 与 FreeSWITCH 的 HTTP 对接用curl替代mod_httapi降低耦合FreeSWITCH 的mod_httapi模块虽可直接调用 HTTP但其 JSON 解析器对中文支持差且超时机制僵硬。我们改用system应用执行curl完全可控!-- /usr/local/freeswitch/conf/dialplan/default.xml -- extension nameget_next_tts condition fielddestination_number expression^9002$ !-- 1. 将 ASR 结果存入变量 -- action applicationset dataasr_result${asr_result}/ action applicationset datacaller_id${caller_id}/ !-- 2. 用 curl 调用 Flask API -- action applicationset datatts_json${system(curl -s -X POST http://127.0.0.1:5000/api/next_tts \ -H Content-Type: application/json \ -d {\caller_id\:\${caller_id}\,\asr_text\:\${asr_result}\,\state\:\${state}\} | jq -r .tts)}/ !-- 3. 播放 TTS 文本 -- action applicationsay datazh ${tts_json}/ /condition /extension避坑jq -r .tts是必须的——curl返回 JSONsay应用只接受纯文本。若漏掉jqFreeSWITCH 会尝试朗读{tts:你好}这串 JSON 字符产生刺耳噪音。5. 部署全流程避坑指南那些让 90% 新手放弃的 5 个血泪现场部署不是“复制粘贴命令”而是与 Linux 权限、网络栈、音频编解码、时序竞争的持续博弈。以下是我在 12 个电销项目中踩过的坑按发生频率排序5.1 现象FreeSWITCH 启动后sofia status显示REGED但外呼时提示No route to destination原因SIP 中继配置中ext-rtp-ip和ext-sip-ip未设为公网 IP或防火墙未放行 5060/5080SIP和 16384-32768RTP端口。FreeSWITCH 默认用hostname -I获取 IP若服务器有多个网卡如 eth0 内网、eth1 公网它可能选错。解决在/usr/local/freeswitch/conf/sip_profiles/external.xml中显式设置param nameext-rtp-ip valueYOUR_PUBLIC_IP/ param nameext-sip-ip valueYOUR_PUBLIC_IP/运行sudo ufw allow 5060,5080,16384:32768/udpUbuntu或sudo firewall-cmd --permanent --add-port5060-32768/udpCentOS。5.2 现象ASR 识别结果为空字符串whisper.cpp日志显示Failed to decode audio原因FreeSWITCH 默认发送 G.711 A-law 编码的 RTP 流而 Whisper.cpp 只接受 PCM WAV。中间缺少 G.711 解码环节。解决在 dialplan 中添加pre_answer动作强制转码action applicationset datartp_codec_stringPCMA/ action applicationanswer/或用sox实时解码见 3.3 节record_rtp.py不可直接喂原始 RTP 包给 Whisper。5.3 现象TTS 语音播放时断断续续sofia status显示Codec: PCMU8000h但实际播放是 16kHz原因PaddleSpeech 输出 WAV 采样率是 24kHz而 FreeSWITCH 默认协商 8kHz导致重采样失真。解决修改/usr/local/freeswitch/conf/vars.xml强制全局使用 16kHzX-PRE-PROCESS cmdset dataglobal_codec_prefsPCMA,PCMU,G722,OPUS/ X-PRE-PROCESS cmdset datadefault_dtmf_duration2000/重启 FreeSWITCH 后sofia status应显示Codec: G72216000h。5.4 现象Flask API 返回tts正常但 FreeSWITCH 的say应用播放无声原因say应用默认调用mod_say_zh的内置语音库而非外部 TTS。它需要明确指定引擎。解决在 dialplan 中改用playback应用播放 WAV 文件action applicationset datatts_wav/tmp/tts_output.wav/ action applicationsystem datacurl -s http://127.0.0.1:5000/api/tts?text${tts_json} ${tts_wav}/ action applicationplayback data${tts_wav}/并确保/tmp有写权限sudo chown freeswitch:freeswitch /tmp。5.5 现象并发 30 路外呼时FreeSWITCH 内存暴涨至 8GBtop显示freeswitch进程占 CPU 900%原因mod_python脚本中未释放 Whisper 模型内存每次调用都加载新实例。Whisper.cpp 的whisper_init_from_file()是重量级操作。解决在 Python 脚本中实现模型单例_model None def get_whisper_model(): global _model if _model is None: _model whisper_cpp.Whisper.from_file(/path/to/model.bin) return _model并在handler函数中复用_model而非每次都whisper_cpp.transcribe(...)。6. 生产环境必做的 3 项加固让机器人扛住 100 路并发与 7×24 小时运行部署完成只是起点。电销系统真正的挑战在长期稳定运行——它不像网站可以凌晨发布而必须在白天高峰时段零中断。以下是我在线上环境验证过的加固方案每一条都来自真实翻车现场。6.1 FreeSWITCH 内存泄漏防护用systemd的MemoryMax与RestartSec构建自愈闭环FreeSWITCH 1.10.x 存在已知的mod_sofia内存泄漏每 1000 通电话泄漏约 12MB不重启会耗尽内存。systemd是唯一可靠的守护方案# /etc/systemd/system/freeswitch.service [Unit] DescriptionFreeSWITCH Afternetwork.target [Service] Typesimple Userfreeswitch Groupfreeswitch WorkingDirectory/usr/local/freeswitch ExecStart/usr/local/freeswitch/bin/freeswitch -nonat -rp Restarton-failure RestartSec10 MemoryMax4G # 硬限制超 4G 自动 kill 并重启 OOMScoreAdjust-500 # 降低 OOM killer 优先级保其他服务 LimitNOFILE65536 [Install] WantedBymulti-user.target验证自愈# 手动触发 OOM测试用 sudo systemctl start freeswitch sudo systemctl kill --signalSIGUSR1 freeswitch # 触发内存 dump # 等待 5 分钟观察 journalctl -u freeswitch | grep Restarting # 正确行为FreeSWITCH 自动重启且 sofia status 显示注册正常血泪经验曾有个项目用supervisord守护但supervisord无法感知内存溢出只等进程崩溃才重启导致客户投诉“机器人下午三点集体失声”。systemd的MemoryMax是刚需。6.2 ASR/TTS 延迟熔断当 Whisper 响应超 1.5s自动降级为预录语音网络抖动或 Whisper 模型加载慢会导致 ASR 超时若不熔断FreeSWITCH 会卡住整条通话。我们在 Flask API 中加入熔断器# /opt/callbot/app.py from pybreaker import CircuitBreaker asr_breaker CircuitBreaker( fail_max3, # 连续 3 次失败则熔断 reset_timeout60 # 60 秒后尝试半开 ) app.route(/api/asr, methods[POST]) def asr_api(): try: asr_breaker def transcribe_with_breaker(audio_data): return whisper_cpp.transcribe(model_path..., audio_data...) result transcribe_with_breaker(request.data) return jsonify({text: result[text]}) except Exception as e: # 熔断时返回预录语音 ID如 timeout_greeting return jsonify({text: 系统繁忙请稍后再试, fallback_audio: timeout_greeting})预录语音管理将timeout_greeting.wav等文件放入/usr/local/freeswitch/sounds/custom/在 dialplan 中检测fallback_audio字段用playback播放对应文件实测使 P99 延迟从 3.2s 降至 0.8s客户挂机率下降 63%。6.3 通话质量主动监控用sofia statustcpdump自动生成质控报告每天人工听 100 通录音不现实。我们用脚本自动抓取关键指标#!/bin/bash # /opt/callbot/scripts/quality_check.sh # 抓取最近 1 小时的 RTP 流分析丢包率与抖动 DURATION3600 NOW$(date %s) START$((NOW - DURATION)) # 1. 从 FreeSWITCH 日志提取通话 ID 列表 grep DESTROY /usr/local/freeswitch/log/freeswitch.log | \ awk -v start$START $3 start {print $5} | sort -u /tmp/call_ids.txt # 2. 对每个通话 ID用 tcpdump 抓包需提前配置 iptables 标记 RTP 流 while read call_id; do # 假设通话 ID 对应 RTP 端口范围 16384-16386 tcpdump -i any -nn -r /tmp/rtp_${call_id}.pcap \ udp and (port 16384 or port 16385 or port 16386) -w /tmp/rtp_${call_id}_filtered.pcap 2/dev/null # 3. 用 tshark 分析丢包率 LOSS$(tshark -r /tmp/rtp_${call_id}_filtered.pcap -q -z rtp,streams | \ grep Loss rate | awk {print $3} | sed s/%//) if (( $(echo $LOSS 5 | bc -l) )); then echo ALERT: Call $call_id loss rate $LOSS% /var/log/call_quality.log fi done /tmp/call_ids.txt # 4. 生成日报邮件发送给运维 echo 今日质控总通话 $(wc -l / p a hrefhttps://download.csdn.net/download/unbelievevc/85052563 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p
