4 行 code 幫你 AI 裝電話：Patter SDK 開源語音通話實戰

如果你仲以為 AI 語音通話係大公司先玩得起嘅嘢，或者覺得要綁死喺 Vapi、Retell 呢啲每月幾千蚊月費嘅 SaaS，咁呢篇文會改變你嘅諗法。開源社群最近出咗個叫 Patter 嘅 SDK，四行 Python code 就幫你嘅 AI agent 裝上一個真實嘅電話號碼，可以打入打出、識聽識講，仲係 MIT License 任你改。對於香港嘅 SME 嚟講，呢個唔係技術 trend，而係一個可以即刻慳錢兼提升競爭力嘅機會。

點解要自己 host 語音 AI？

先講個 market 背景。Vapi 呢類服務做到嘅嘢好明顯：俾你一個 API，你 call 佢，佢就幫你駁通電話線路，再駁 AI 做語音對話。佢哋嘅賣點係「唔使你搞 infrastructure」，但代價係每個月搣你一筆。基礎方案每月幾百美金，每分鐘通話再 charge 你 USD $0.05 到 $0.12。如果你係香港 SME，每日接 100 個客來電，每通平均 5 分鐘，一個月嘅通話成本就幾千蚊港紙，仲未計 AI inference 嘅額外收費。

Patter 改變咗呢條數。佢係一個 open-source SDK，你用自己嘅 Twilio 或者 Telnyx account 駁電話線路，AI 部份可以揀 OpenAI Realtime API、ElevenLabs ConvAI，甚至用 edge-tts 免費 TTS 再駁自己嘅 LLM。換句話說，你 control 晒成個 cost structure，唔使俾中間人賺差價。香港 SME 最鍾意嗰種「用得幾多俾幾多」嘅彈性，而唔係硬食月費。更重要係，你嘅通話錄音同 data 全部留喺你自己 infrastructure，唔使擔心第三者有權限存取你客戶嘅敏感語音資料。

四行 code 打通電話

直接上 code。Patter 嘅 Python SDK 設計極度簡潔，以下係最基本嘅 inbound call handler：

from patter import Patter
from patter.voice import PipelineVoice

voice = PipelineVoice(
    stt="deepgram",
    llm="openai/gpt-4o",
    tts="edge-tts"
)

app = Patter(voice=voice)

四行。第一行 import Patter，第二行建立一個 PipelineVoice object——STT 用 Deepgram（支援粵語辨識）、LLM 用 GPT-4o、TTS 用 edge-tts（免費，支援粵語發聲）。最後將 voice 傳入 Patter app，就搞掂咗一個可以聽可以講嘅 AI agent。

當然，真實落地仲要駁 Twilio webhook、set prompt、加 tool calling。但關鍵係 core abstraction 夠乾淨——你嘅 business logic 同 telephony infrastructure 完全解耦，改 voice pipeline 只需改一行 config。例如你唔想用 edge-tts 而想用 ElevenLabs 更高質素嘅粵語聲音，就將 tts="edge-tts" 改做 tts="elevenlabs/ryan" 就得。成個 design 哲學係「約定優於配置」，唔使你睇幾百頁文档先開始寫 code。

Cantonese 語音 AI 嘅技術拆解

好多人問：Cantonese 做到 AI 客服？十年前可能唔得，但而家個 landscape 已經完全唔同。Patter 嘅 PipelineVoice 係 modular 設計，每個 component 可以獨立更換。對於粵語場景，最 critical 嘅係 STT 同 TTS。

STT 方面，Deepgram 嘅 nova-2 model 支援粵語（zh-HK），準確率喺香港日常對話場景大約有 85-90%。如果你需要更高準確率，可以考慮本地部署 Whisper large-v3 或者用 Azure Speech Services——兩者都透過 Patter 嘅 webhook tools 接入，唔使改 core code。而我個人嘅經驗係，喺客服場景入面 keyword 捕捉比完美 transcription 更重要——只要 STT 認到「退錢」、「投訴」、「取消」呢類關鍵字，AI 嘅 response quality 已經夠用。

TTS 方面，edge-tts 係最抵玩嘅選擇。佢底層用 Microsoft Edge 嘅線上引擎，支援「Microsoft Kenji」同「Microsoft HiuGaai」等粵語聲音，音質自然，完全免費。唯一要注意係需要網絡連線，同埋 Microsoft 可能隨時改 API（但社群有持續維護）。如果你想 upgrade 音質到接近真人程度，ElevenLabs 嘅 Cantonese voice 經過 fine-tune 之後效果非常驚人，但每百萬字元 charge 約 USD $11。對於高價值客戶通話（例如保險查詢、地產代理），呢個成本係完全值得。關鍵係 Patter 嘅 architecture 俾你做到「平貴夾埋」——普通查詢用 edge-tts，VIP 客戶自動 upgrade 去 ElevenLabs，同一套 code 搞掂。

Production 落地要諗嘅嘢

Patter 話自己 production-ready 唔係吹水。佢支援 DTMF（打電話撳數字嗰種輸入），呢個對香港好多場景好重要——查單號碼、入密碼、投票，全部靠電話鍵盤。Call transfer 都有，客戶服務熱線常見嘅「轉駁部經理」可以直接由 AI 同真人之間交接到。Voicemail drop 同 AMD（答錄機偵測）對 cold call 場景亦好有用。

Dashboard 內置咗 monitoring 同 cost tracking，你可以逐個 call 睇返 latency breakdown：STT 用咗幾多 ms、LLM response 幾耐、TTS 合成用咗幾多 ms。對於 optimise 用戶體驗嚟講，呢啲 data 係無價嘅——如果發現 LLM latency 高過 2 秒，客戶已經開始唔耐煩，你可以即刻轉用更快嘅 model 或者加 caching。

Tool calling 方面，Patter 嘅 webhook tools 可以俾 AI agent 直接查你嘅 CRM、預約系統、或者庫存 database。例如客戶打嚟問「仲有無 XL 碼」，AI 可以即時 query 你嘅 inventory API，然後用粵語回答「真唔好意思，XL 碼已經賣晒，但 L 碼仲有貨，需唔需要幫你留一件？」——成個流程唔需要真人介入。

最後講下個 skills bundle。Patter 支援 ~55 種 agent harnesses，包括 Claude Code、Cursor、Cline 等。意思係你可以用你最熟嘅工具去管理呢啲 AI agents，唔使學新嘢。呢種 developer experience 嘅設計哲學，正正係開源軟體相比封閉 SaaS 嘅最大優勢——你唔係被鎖死喺一個平台，而係擁有一套你可以完全控制嘅工具。

你而家可以做到嘅嘢

如果你係香港嘅開發者或者 SME 負責人，建議你呢個 weekend 做三件事：第一，開個 Twilio account（幾百蚊 credit 就夠試）；第二，clone Patter GitHub repo 睇下 example code；第三，用 edge-tts 試下你嘅第一個粵語 AI 通話。由零到行得通，可能唔使一粒鐘。而當你嘅競爭對手仲俾緊 Vapi 每個月 USD $200+ 嘅時候，你已經係用開源方案行緊自己嘅 Cantonese AI 客服。呢個差距，會愈拉愈大。