电话直连 AI 助手，随时语音操控

通过 Twilio 与 ElevenLabs Agents 为 OpenClaw 添加电话呼叫功能，支持来电认证、语音 PIN、成本追踪与记忆注入，实现可远程语音操控的个人 AI 助手。

基本信息

• 技能名称?Phone Voice Integration
• 中文名称?电话直连 AI 助手，随时语音操控
• 作者?cortexuvula
• 分类?专业技能
• 版本?2.0.0
• 标签?voice, telephony, twilio, elevenlabs, authentication, cost-tracking, memory-management, self-hosted, bridge, claude, pin-security

使用方法

使用说明
核心用法
Phone Voice Integration 是一套完整的电话语音接入方案，允许用户通过真实电话号码呼叫 AI 助手。架构上采用 Twilio → ElevenLabs Agent → 自建 Bridge → Anthropic Claude 的链路，Bridge 作为 FastAPI 服务器负责协议转换、记忆注入和成本追踪。
部署流程：

1. 搭建 Bridge 服务器（接受 OpenAI 格式请求，转发至 Claude）
2. 配置 Cloudflare Tunnel 或 ngrok 暴露本地服务
3. 在 ElevenLabs 创建 Agent 并指向 Bridge URL
4. 绑定 Twilio 电话号码完成接入
   关键特性：
   来电身份认证 ：通过 contacts.json 白名单识别熟人，未知号码进入接待员模式
   语音 PIN 验证 ：敏感操作前要求说出预设口令
   记忆注入 ：自动加载 MEMORY.md、USER.md 及历史通话记录，实现跨会话 continuity
   成本透明化 ：记录 Twilio、ElevenLabs、Anthropic 分项费用至 JSONL
   速率限制 ：每小时可配置调用上限防止滥用
   显著优点
   | 维度 | 优势 | |------|------| | 完整性 | 相比 ElevenLabs 官方基础教程，补充了安全、记忆、成本、持久化隧道等生产级能力 | | 灵活性 | 自建 Bridge 绕过 OpenClaw 直接调用 Claude，获得完整 prompt 控制权 | | 经济性可控 | 约 $0.07-0.10/分钟，配合 rate limiting 和 screening 避免账单失控 | | 隐私友好 | 记忆文件本地存储，无需依赖第三方会话持久化服务 | | 可扩展 | 支持 outbound 呼叫、日历/天气等实时数据注入、办公时间限制等高级功能 | 潜在缺点与局限性
   架构复杂度高 ：需同时管理 Twilio、ElevenLabs、Cloudflare/ngrok、Anthropic 四个服务商凭证
   延迟敏感 ：语音对话对响应延迟要求高，Bridge 处理+TTS 可能产生可感知停顿
   无官方托管 ：Bridge 需自部署维护，存在单点故障风险
   PIN 安全性有限 ：语音 PIN 可被录音回放攻击，仅提供基础防护
   成本累积风险 ：虽然单价低，但长时间通话或高频呼叫仍可能产生可观费用
   适合人群
   已使用 OpenClaw/Claude 生态，希望扩展语音交互入口的极客用户
   需要「随时打电话就能访问个人 AI」的移动场景（开车、户外）
   愿意投入技术维护成本以换取完全控制权的开发者
   对通话隐私敏感、偏好本地记忆存储的用户
   常规风险
   | 风险类型 | 说明 | 缓解建议 | |----------|------|----------| | API 密钥泄露 | .env 文件包含多个服务商高权限密钥 | 使用 secrets manager，避免提交至版本控制 | | Webhook 暴露攻击 | Bridge 端点公开互联网，可能遭受扫描和滥用 | 强制 Authorization: Bearer 验证，配置 IP 白名单 | | PIN 重放攻击 | 语音 PIN 被录音后回放 | 结合 caller ID 白名单，高敏感操作改为 app 二次确认 | | 费用失控 | 恶意或意外高频呼叫 | 严格配置 RATE_LIMIT_PER_HOUR，启用 call screening | | 供应商锁定 | 深度依赖 ElevenLabs TTS 和 Twilio 语音 | 架构层面保留切换至其他 TTS/电话服务商的可能性 | 总体评估
   Phone Voice Integration 代表了当前个人 AI 语音接入的「高控制度」方案——以显著的部署复杂度换取功能完整性和数据主权。适合技术能力较强、对语音交互有刚性需求的用户作为 OpenClaw 的能力延伸。