آخرین ویرایش نوامبر 16, 2026 حامد کوه فلاح
chan_websocket در Asterisk؛ مسیر سادهتر اتصال هوش مصنوعی صوتی به ایزابل و استریسک
تصور کنید مشتری با شرکت شما تماس میگیرد. بهجای شنیدن منوی تلفنی و فشردن چندین کلید، مستقیماً با یک دستیار هوشمند صحبت میکند. مشتری سؤالش را مطرح میکند، هوش مصنوعی صدای او را میشنود، منظورش را متوجه میشود، پاسخ مناسب تولید میکند و همان پاسخ را بهصورت صوتی پخش میکند.
این سناریو دیگر صرفاً یک ایده آزمایشگاهی نیست. امروزه میتوان با ترکیب Asterisk، فناوریهای Speech-to-Text، مدلهای زبانی و Text-to-Speech یک Voice AI Agent واقعی ساخت.
اما یک چالش مهم وجود دارد: چگونه صدای زنده مکالمه را با کمترین پیچیدگی و تأخیر بین Asterisk و برنامه هوش مصنوعی جابهجا کنیم؟
یکی از قابلیتهای مهمی که Asterisk برای سادهترکردن این ارتباط ارائه کرده، chan_websocket است؛ یک Channel Driver برای انتقال مستقیم Media از طریق WebSocket.
در این مقاله میبینیم این قابلیت چیست، چه تفاوتی با روشهای قبلی دارد، از چه نسخهای در دسترس است و چرا برای توسعه Voice AI Agent اهمیت زیادی دارد.
۱. قبل از WebSocket چه میکردیم؟
برای اتصال Asterisk به یک برنامه خارجی که باید صدای تماس را دریافت کند و پاسخ صوتی را برگرداند، روشهای مختلفی وجود داشت.
یکی از معماریهای رایج، استفاده از ARI و ExternalMedia بود.
در این روش معمولاً مراحل به این شکل انجام میشد:
- با استفاده از ARI تماس را کنترل میکردیم.
- یک کانال ExternalMedia ایجاد میکردیم.
- کانال صوتی را وارد یک Bridge میکردیم.
- صدای تماس را از طریق RTP یا AudioSocket به برنامه خارجی میفرستادیم.
- برنامه خارجی صدا را دریافت و پردازش میکرد.
- صدای تولیدشده را دوباره به Asterisk برمیگرداندیم.
این معماری همچنان معتبر است و در بسیاری از پروژهها استفاده میشود؛ اما توسعهدهنده باید بخشی از پیچیدگی انتقال Media را خودش مدیریت کند.
برای مثال در RTP، فقط دریافت چند بایت صوتی کافی نیست. برنامه باید با ساختار بستهها، Header، Sequence Number، Timestamp و زمانبندی ارسال و دریافت آشنا باشد.
در یک جریان صوتی معمولی با فریمهای ۲۰ میلیثانیهای، رعایت زمانبندی اهمیت زیادی دارد. اگر برنامه صوت را با فاصلههای نامناسب ارسال کند، ممکن است کیفیت پخش دچار اختلال شود.
این موضوع بهخصوص برای برنامههایی که با Python یا JavaScript نوشته میشوند، میتواند پیچیدگی توسعه را افزایش دهد.
۲. chan_websocket چیست؟
chan_websocket یک Channel Driver جدید در Asterisk است که برای سادهترکردن انتقال صدای تماس بین هسته Asterisk و برنامههای خارجی طراحی شده است.
در این معماری، بهجای اینکه برنامه خارجی مستقیماً با بستههای RTP و زمانبندی آنها درگیر شود، صدا از طریق WebSocket منتقل میشود.
نکته مهم این است که WebSocket در اینجا فقط برای ارسال پیامهای کنترلی نیست؛ بلکه خود جریان صوتی نیز از همین ارتباط منتقل میشود.
در این روش:
- صدای دریافتی از Asterisk در قالب WebSocket Binary Frame به برنامه خارجی ارسال میشود.
- فرمانها و رویدادهای کنترلی در WebSocket Text Frame منتقل میشوند.
- Asterisk میتواند فریمبندی و زمانبندی صوت ارسالی از برنامه را مدیریت کند.
- در صورت نبود داده صوتی، برای حفظ زمانبندی Media امکان تولید سکوت وجود دارد.
به زبان ساده، برنامه هوش مصنوعی بیشتر روی پردازش صدا و مکالمه تمرکز میکند و Asterisk بخشی از کارهای مربوط به انتقال و زمانبندی Media را انجام میدهد.
۳. تفاوت معماری قدیمی و جدید
برای درک بهتر، دو مسیر را مقایسه کنیم.
معماری مبتنی بر RTP و ExternalMedia:
Caller
|
v
Asterisk
|
v
ARI + Bridge
|
v
ExternalMedia
|
v
RTP / AudioSocket
|
v
Voice AI Application در این روش، برنامه خارجی ممکن است نیاز داشته باشد بخشی از پردازش بستهها، مدیریت فریمها و زمانبندی صدا را انجام دهد.
معماری مبتنی بر chan_websocket:
Caller
|
v
Asterisk
|
v
chan_websocket
|
v
WebSocket
|
v
Voice AI Application
|
+---- Speech-to-Text
|
+---- LLM
|
+---- Text-to-Speech در این معماری، انتقال Media سادهتر میشود و برنامه میتواند داده صوتی را از طریق WebSocket دریافت کند و پاسخ صوتی را به همان مسیر برگرداند.
البته توجه داشته باشید که ARI و Bridge حذف نشدهاند. در بسیاری از پروژهها همچنان از ARI برای کنترل تماس، ایجاد کانالها و مدیریت ارتباط استفاده میشود؛ تفاوت اصلی در مسیر انتقال صداست.
۴. یک مثال واقعی؛ دستیار هوشمند مرکز تماس
فرض کنید یک شرکت خدماتی، مرکز تماس مبتنی بر Issabel و Asterisk دارد.
مشتری با شماره پشتیبانی تماس میگیرد و بهجای انتخاب گزینههای IVR، مستقیماً با دستیار هوشمند صحبت میکند.
مشتری میگوید:
«میخواستم بدونم سفارش من چه زمانی ارسال میشه؟»
حالا چه اتفاقی میافتد؟
مرحله اول: دریافت صدا
Asterisk تماس را دریافت میکند و صدای مشتری از طریق chan_websocket به برنامه Voice AI منتقل میشود.
مرحله دوم: تبدیل گفتار به متن
برنامه صوتی را به موتور Speech-to-Text ارسال میکند. این موتور میتواند از سرویس ابری یا یک مدل محلی برای تشخیص گفتار فارسی استفاده کند.
خروجی چیزی شبیه این است:
میخواستم بدونم سفارش من چه زمانی ارسال میشه؟ مرحله سوم: تحلیل درخواست با مدل زبانی
متن به مدل زبانی ارسال میشود. مدل متوجه میشود مشتری درباره وضعیت سفارش سؤال دارد.
در صورت نیاز، برنامه از طریق API به CRM یا سیستم فروش متصل میشود و وضعیت سفارش را دریافت میکند.
مرحله چهارم: تولید پاسخ صوتی
مدل پاسخ میدهد:
«سفارش شما آماده ارسال شده و احتمالاً فردا به دستتون میرسه.»
این متن به موتور Text-to-Speech ارسال میشود تا به صوت تبدیل شود.
مرحله پنجم: پخش پاسخ برای مشتری
صدای تولیدشده از طریق WebSocket به Asterisk برمیگردد و Asterisk آن را در تماس پخش میکند.
مشتری پاسخ را میشنود و مکالمه ادامه پیدا میکند.
این چرخه میتواند بارها تکرار شود تا مشتری به پاسخ موردنظر برسد یا تماس به اپراتور انسانی منتقل شود.
این دقیقاً همان جایی است که انتقال دوطرفه و کمتأخیر صدا اهمیت پیدا میکند.
۵. chan_websocket چه مزیتی برای Voice AI دارد؟
مهمترین ارزش این قابلیت، صرفاً استفاده از WebSocket نیست؛ بلکه کاهش مسئولیتهای مربوط به Media Handling در برنامه خارجی است.
۱. حذف نیاز به مدیریت مستقیم RTP
در روش RTP، برنامه باید با ساختار بستههای RTP و اطلاعاتی مانند Sequence Number و Timestamp کار کند.
با chan_websocket، برنامه میتواند جریان صوتی را در قالب Binary Frame دریافت کند و لازم نیست Headerهای RTP را خودش پردازش کند.
۲. مدیریت فریمبندی و زمانبندی توسط Asterisk
یکی از ویژگیهای مهم این Channel Driver، مدیریت اندازه فریمها و زمانبندی پخش صوت ارسالی است.
برای مثال ممکن است موتور TTS یک قطعه صوتی نسبتاً بزرگ تولید کند. برنامه میتواند آن را به Asterisk ارسال کند و Channel Driver وظیفه تقسیم آن به فریمهای مناسب و زمانبندی پخش را بر عهده بگیرد.
این قابلیت بهخصوص در پاسخهای صوتی تولیدشده توسط هوش مصنوعی کاربردی است.
۳. ارتباط دوطرفه صوتی
صدا هم از Asterisk به برنامه هوش مصنوعی منتقل میشود و هم از برنامه به Asterisk برمیگردد.
بنابراین میتوان یک مکالمه زنده و تعاملی ایجاد کرد.
۴. پشتیبانی از اتصال امن
امکان استفاده از ارتباط WebSocket امن از طریق TLS نیز وجود دارد.
در پروژههای عملیاتی، استفاده از wss:// و احراز هویت مناسب برای محافظت از جریان صوتی و ارتباط با سرویس هوش مصنوعی اهمیت دارد.
۵. کنترل بهتر پخش و بافر
chan_websocket علاوه بر Media، فرمانها و رویدادهای کنترلی نیز دارد.
برای نمونه:
ANSWERبرای پاسخدادن به کانالHANGUPبرای قطع تماسPAUSE_MEDIAبرای توقف موقت MediaCONTINUE_MEDIAبرای ادامه پخشSTART_MEDIA_BUFFERINGوSTOP_MEDIA_BUFFERINGبرای مدیریت ارسال صوت بهصورت بافرشده
این امکانات در سناریوهای Voice AI، بهخصوص هنگام مدیریت پاسخهای صوتی و قطعکردن پاسخ در زمان صحبت مجدد مشتری، کاربرد دارند.
۶. قابلیت مهم برای مکالمه طبیعی؛ مدیریت وقفه و پاسخ صوتی
یکی از مشکلات رایج در Voice Botهای قدیمی این است که وقتی سیستم شروع به صحبت میکند، مشتری باید منتظر بماند تا پاسخ تمام شود.
اما در یک مکالمه طبیعی، ممکن است مشتری وسط پاسخ دستیار صحبت کند.
به این رفتار اصطلاحاً Barge-in گفته میشود.
برای پیادهسازی چنین تجربهای، سیستم باید بتواند جریان صوتی را کنترل کند، پخش را متوقف یا پاکسازی کند و صدای جدید مشتری را دریافت کند.
در chan_websocket فرمانهایی مانند FLUSH_MEDIA، PAUSE_MEDIA و CONTINUE_MEDIA برای مدیریت جریان Media در اختیار برنامه قرار دارند.
البته خود WebSocket بهتنهایی Barge-in کامل را پیادهسازی نمیکند. تشخیص شروع صحبت مشتری، مدیریت VAD، لغو درخواست تولید پاسخ در مدل زبانی و هماهنگی با موتور TTS همچنان وظیفه معماری Voice AI است.
اما داشتن یک مسیر Media قابلکنترل، پیادهسازی این قابلیتها را سادهتر میکند.
۷. از چه نسخهای در Asterisk در دسترس است؟
این بخش برای مهندسان VoIP اهمیت زیادی دارد.
ماژول chan_websocket در نسخههای زیر بهصورت رسمی معرفی شده است:
| شاخه Asterisk | اولین نسخه دارای chan_websocket |
|---|---|
| Asterisk 20 | 20.16.0 |
| Asterisk 21 | 21.11.0 |
| Asterisk 22 | 22.6.0 |
| Asterisk 23 | 23.0.0 |
بنابراین اگر از نسخههای قدیمیتر مانند Asterisk 18 یا نسخههای ابتدایی Asterisk 20 استفاده میکنید، نباید وجود این قابلیت را فرض کنید.
اما نکته مهمتر این است که قابلیت WebSocket در نسخههای بعدی نیز توسعه پیدا کرده است.
برای مثال:
- در نسخههای 20.18.0، 22.8.0 و 23.2.0، قالب پیامهای کنترلی JSON اضافه شد و توسعه پیدا کرد.
- در Asterisk 20.22.0 حالت
unbufferedبرای سناریوهای خاص انتقال Media اضافه شد. - در نسخههای جدیدتر، اصلاحات مربوط به مدیریت Timeout و ارتباطات WebSocket نیز انجام شده است.
بنابراین صرفاً داشتن نسخهای که اولین بار chan_websocket را معرفی کرده کافی نیست؛ استفاده از نسخههای جدیدتر و بهروز یک شاخه پشتیبانیشده، برای بهرهمندی از اصلاحات و امکانات تکمیلی اهمیت دارد.
۸. چرا برای پروژههای Voice AI بهتر است از نسخههای جدید Asterisk استفاده کنیم؟
وقتی قرار است Asterisk فقط یک مرکز تلفن معمولی نباشد و به هسته ارتباطی یک سامانه هوش مصنوعی صوتی تبدیل شود، انتخاب نسخه اهمیت بیشتری پیدا میکند.
در یک پروژه Voice AI، موارد زیر اهمیت دارند:
- انتقال پایدار صدای دوطرفه
- مدیریت صحیح فریمها و زمانبندی
- کنترل بافر و وقفه در پخش
- مدیریت Timeout و قطع ارتباط
- سازگاری با Codecهای موردنیاز
- مدیریت همزمان چندین تماس
- ارتباط امن با سرویسهای خارجی
قابلیت chan_websocket در نسخههای جدید Asterisk برای همین نوع معماری ارزشمند است.
برای پروژههای جدید، پیشنهاد میشود از آخرین نسخه پایدار و بهروز یک شاخه مناسب Asterisk استفاده کنید؛ نه اینکه صرفاً به نسخهای که سالها قبل همراه یک توزیع PBX نصب شده اکتفا کنید.
برای مثال، اگر از Issabel استفاده میکنید، نسخه Asterisk همراه ISO را بررسی کنید. وجود این قابلیت به شماره نسخه واقعی Asterisk و فعالبودن ماژول مربوط بستگی دارد.
نکته: نصب نسخه جدید Asterisk روی یک Issabel عملیاتی، بدون بررسی سازگاری ماژولها و اجزای سیستم، توصیه نمیشود.
۹. آیا chan_websocket همان AudioSocket است؟
خیر. این دو فناوری متفاوت هستند.
AudioSocket یک پروتکل مبتنی بر TCP برای انتقال صوت و DTMF است. هر بسته AudioSocket دارای Header مشخصی شامل نوع پیام و طول Payload است.
اما chan_websocket از WebSocket برای انتقال Media استفاده میکند و امکاناتی مانند مدیریت فریمبندی، زمانبندی و پیامهای کنترلی را در اختیار برنامه قرار میدهد.
| ویژگی | AudioSocket | chan_websocket |
|---|---|---|
| پروتکل انتقال | TCP | WebSocket |
| ساختار پیام | Header و Payload اختصاصی | Binary و Text Frame |
| مدیریت زمانبندی | مسئولیت معماری برنامه | مدیریت فریم و زمانبندی توسط Driver در حالت عادی |
| کاربرد | انتقال صوت به سرویس خارجی | انتقال Media و یکپارچهسازی با برنامههای صوتی |
| ارتباط با ARI | مسیر مستقل و قابل استفاده در معماریهای مختلف | پشتیبانی از ExternalMedia و ARI |
AudioSocket همچنان کاربردی است و نباید آن را یک فناوری منسوخشده در نظر گرفت. انتخاب بین این دو به نیاز پروژه، کتابخانههای موجود و معماری موردنظر بستگی دارد.
۱۰. از کجا شروع کنیم؟
برای توسعه و آزمایش این قابلیت، مستندات رسمی Asterisk و نمونهکدهای منتشرشده در GitHub نقطه شروع مناسبی هستند.
مخزن رسمی نمونهکدهای WebSocket در Asterisk شامل مثالهایی با Python است و نحوه ارتباط برنامه خارجی با Asterisk را نشان میدهد.
در این مخزن میتوانید نمونههایی برای موارد زیر پیدا کنید:
- اتصال WebSocket به Asterisk
- دریافت رویدادهای ARI
- ایجاد کانال Media WebSocket
- دریافت و ارسال صدای تماس
- پخش فایل صوتی از طریق WebSocket
- ایجاد ارتباط بهصورت Client یا Server
لینکهای فنی:
- مستندات رسمی chan_websocket:
https://docs.asterisk.org/Configuration/Channel-Drivers/WebSocket/ - نمونهکدهای رسمی Asterisk در GitHub:
https://github.com/asterisk/asterisk-websocket-examples - مستندات AudioSocket:
https://docs.asterisk.org/Configuration/Channel-Drivers/AudioSocket/ - مستندات ARI ExternalMedia:
https://docs.asterisk.org/Latest_API/API_Documentation/Asterisk_REST_Interface/Channels_REST_API/
جمعبندی؛ چرا این قابلیت برای آینده VoIP مهم است؟
در گذشته، اتصال یک برنامه هوشمند به تماس زنده Asterisk به معنی درگیرشدن با بخش قابلتوجهی از پیچیدگیهای انتقال Media بود.
توسعهدهنده باید علاوه بر منطق هوش مصنوعی، به جزئیات RTP، بستههای صوتی، زمانبندی و مدیریت فریمها نیز توجه میکرد.
با معرفی chan_websocket، Asterisk یک مسیر سادهتر و استانداردتر برای انتقال Media به برنامههای خارجی فراهم کرده است.
این موضوع برای ساخت Voice AI Agent، دستیار تلفنی هوشمند، سیستمهای پاسخگویی خودکار، تحلیل زنده مکالمات و یکپارچهسازی موتورهای Speech-to-Text و Text-to-Speech اهمیت زیادی دارد.
ارزش اصلی این قابلیت این است که Asterisk را به یک بستر مناسبتر برای توسعه نسل جدید سامانههای ارتباطی مبتنی بر هوش مصنوعی تبدیل میکند.
در واقع Asterisk فقط وظیفه برقراری تماس را انجام نمیدهد؛ بلکه میتواند هسته ارتباطی یک دستیار صوتی هوشمند باشد که صدا را دریافت میکند، به برنامه هوش مصنوعی میسپارد و پاسخ را دوباره به تماس برمیگرداند.
VOIPIRAN؛ بزرگترین مرجع فارسیزبان آموزش و محصولات VoIP
در VOIPIRAN آموزشها، پروژهها و ابزارهای تخصصی Asterisk، Issabel و فناوریهای ارتباطی را دنبال کنید.
اگر مهندس VoIP هستید و میخواهید وارد دنیای Voice AI Agentها شوید، این مسیر یکی از حوزههای مهم و رو به توسعه برای آینده صنعت ارتباطات است.
منابع فنی بررسیشده
-
مستندات رسمی Asterisk – WebSocket Channel Driver؛ معماری، قابلیتها و فرمانهای کنترلی.
-
مقاله رسمی Asterisk درباره Media over WebSockets؛ توضیح مسئله RTP و دلیل توسعه این قابلیت.
-
مستندات نسخهها و زمان معرفی chan_websocket؛ نسخههای اولیه 20.16، 21.11، 22.6 و 23.0.
-
ChangeLog رسمی Asterisk 20.22؛ معرفی حالت Unbuffered و اصلاحات تکمیلی.
-
مستندات رسمی AudioSocket؛ تفاوت پروتکل AudioSocket با WebSocket.
-
مخزن نمونهکد رسمی Asterisk WebSocket؛ نمونههای پیادهسازی با Python.












