我把80年代按键电话改造成了Claude语音助手

技术栈

每一块都有它的位置。这是一个双脑系统：电话里藏着一块微型控制器，树莓派负责编排。

• FeTAp按键电话 — 本体。保留原有听筒、键盘、挂钩和铃。我只在挂钩开关上动了手脚，音频通过听筒走。
• ESP32-A1S音频套件 — 电话内部的瘦客户端。它拾取麦克风音频，通过听筒播放AI的声音，监听挂钩开关来判断是否有人拿起或挂断。它不做任何AI处理——只通过WiFi把音频流式传输给树莓派。
• 树莓派5 — 主机。24/7运行电话守护进程，桥接ESP32的音频到ElevenLabs，管理会话，处理记忆。同一个树莓派已经跑着我的微信助手。
• ElevenLabs对话式AI — 语音管道。语音识别、轮次切换，以及我能找到的最好的德语TTS，全部在一个托管代理里。里面的语言模型是Claude。
• Claude (Haiku 4.5) — 大脑。配置为代理的LLM。快速、便宜，闲聊绰绰有余。
• Supabase — 记忆库。和微信机器人用同一个PostgreSQL数据库。事实、目标和历史，两个渠道共享。
• Bun + TypeScript — 守护进程运行时。快速，无需构建步骤。运行音频桥接和通话后的记忆提取。

取舍：一部电话，多个大脑

这是我引以为傲的部分：电话并不硬连线到某一套AI。它设计成可切换的。几个环境变量决定电话用哪个语音引擎、哪个语言模型、哪个声音——每个组合在延迟、成本、能力和隐私点上落在不同的位置。没有“最佳”方案。只有你今天想要的取舍。

延迟的进化：从13秒到1秒

第一个能工作的版本要13秒才回答。你说句话，然后沉默，等到你放弃回答才到。根本没法用。

第一个大脑用本地CLI跑Claude——免费，因为有订阅，但每个轮次要启动一个完整进程，实时通话太慢。改成直接调API：降到了大约2秒，但变成按量计费。然后把整个管道搬进ElevenLabs的对话式AI，一切都在同一个伺服器：大约1.2秒，语言模型通过ElevenLabs的积分计费，不用另外付API钱。最后这一步同时解决了延迟和费用问题。但也带来了一个陷阱。

那个摧毁每段对话的Token上限

换用更便宜、更快的模型（Claude Haiku）后，Elliot变得话多——它开始喋喋不休而不保持简短。显然的修复：限制回复长度。所以我设了一个token上限。

它奏效了正好两轮。然后通话会无声地中断——我说话，没有回应，直到闲置超时挂断。每次通话都这样。

日志很残酷：我的语音明显到达了（音频诊断中到处是语音峰值），但ElevenLabs没有生成它的转录。第三轮直接消失了。

原因：当硬token上限截断模型中间一句话时，ElevenLabs的轮次切换状态机不能干净地关闭当前轮次。对话卡住，接下来你说的话直接丢在地上。我花了很多时间怀疑轮次检测模型，直到在日志里看到被截断的半截词语，才意识到上限才是真凶。

修复：彻底移除token上限。用正确的方式强制简短——在提示词里，最上面加一条硬规则：“始终用最多1–2个短句回答。”连续六轮干净对话，回复简短，没有丢掉任何内容。有时候粗杠杆（硬上限）会破坏系统，而软杠杆（指令）不会。

成本

电话跑在ElevenLabs Starter计划上：每月6美元，包含75分钟对话。一次典型的1.5分钟通话消耗大约560积分——语音转文字、语言模型和文字转语音合起来。Claude部分只占一小部分，因为Haiku很便宜。这个计划日常使用足够了；话多的人可以升级。

其他所有东西都已经付费或免费：Claude的通话后记忆提取用我已有订阅（0美元），Supabase用免费层（0美元，与微信机器人共享），树莓派电费大约每月0.3美元，ESP32板子几欧元一次性投入。所以：大约每月6美元，就能有一部古董电话，拿起来就能对话。对一个以前只是装饰的家具来说，不赖。

学到的教训

硬限制会以微妙的方式破坏有状态系统。Token上限不只是缩短回复——它破坏了对话的轮次状态。提示词里的软约束达到了同样的目标，但没造成破坏。当下游有状态保持时，宁可用指令代替硬截断。

管道集中比拼凑好。把语音、语言和声音放进一个托管代理，延迟从几秒降到大约一秒，而且简化了计费。代价是对每个阶段控制力降低——但对电话通话来说，延迟就是一切。

跨渠道记忆是杀手锏。电话和微信机器人共享同一个记忆，意味着AI感觉像是一个助手以两种方式触达，而不是两个独立的机器人。用语音告诉它一件事，它用文字时也知道。这种连续性是让它感觉活起来的关键。

下一步

• 电话自己的麦克风。目前音频来自ESP板载麦克风，不是听筒真正的送话器。把原始的FeTAp麦克风接进去，才能真正对着听筒说话。
• 通话中的网络搜索。目前Elliot不能实时查东西——问今晚有什么演唱会，它会礼貌地承认不会百度。给代理加一个搜索工具，就能让它通过电话回答真实世界的问题。
• 铃。电话能接，但不能响。用ESP驱动原始铃，就能让助手给家里打电话：“会议10分钟后开始”，用一部80年代的按键电话。