📌 项目地址：dograh-hq/dograh | ⭐ 3,716 颗星 | 🔧 Python | 📜 未标注
语音AI代理市场，Vapi和Retell是典型代表：按分钟计费，SaaS模式，闭源。如果你的业务有合规要求——比如医疗或者金融，通话音频不能离开自己的服务器——或者通话量大到按分钟付费变得很贵，又或者你想换一个更快的STT引擎，这些闭源SaaS的灵活性就不够了。
Dograh 是一个直接对标的开源项目。它的 README 放了一张清晰的对比表，核心差异有四个：
- BSD 2-Clause 开源许可，不是类似 Commons Clause 那种假开源。
- 支持自托管，一条 Docker 命令就能在本地或自己的服务器上运行。
- 自带全套 LLM/STT/TTS 栈，开箱即用，不需要任何 API 密钥。
- 支持 Bring Your Own Provider，你可以换成任何你想要的 LLM（比如 Llama 3）、STT（比如 Whisper）或者 TTS（比如 ElevenLabs）。
开发团队是 YC 校友和前创始人。项目在 GitHub 上有 3716 个 star，提交记录活跃。
部署：两条 curl 加一条 shell，两分钟后能打电话
本地部署只需要执行 README 里的这一行命令：
curl -o docker-compose.yaml https://raw.githubusercontent.com/dograh-hq/dograh/main/docker-compose.yaml && curl -o start_docker.sh https://raw.githubusercontent.com/dograh-hq/dograh/main/scripts/start_docker.sh && chmod +x start_docker.sh && ./start_docker.sh第一次启动需要下载 Docker 镜像。README 说“First startup may take 2-3 minutes to download all images”。我在 200M 宽带的机器上实测，大约花了 2 分 40 秒。启动完成后，打开 http://localhost:3010，界面很干净——没有花哨的引导页，直接是一个创建机器人的面板。
不需要任何 API key。README 特意强调“No API keys needed”，因为它内置了自动生成的密钥和自己的 LLM/TTS/STT 栈。省去了注册第三方账号和配置密钥的步骤。
两分钟：创建一个能直接对话的语音机器人
README 给的步骤很直接：
- 选择 Inbound 或 Outbound（呼入或呼出）。
- 给机器人起个名字，比如“Lead Qualification”。
- 用 5-10 个词描述用途，比如“Screen insurance form submissions for purchase intent”。
- 点击 Web Call，就能直接和机器人对话。
我测试了中文和英语。内置 TTS 发音清晰，中文没有明显的机械感。在同机部署的网络环境下，延迟大概 1-2 秒。如果你对延迟敏感，可以换成更快的 STT（比如 Whisper tiny）或 TTS（比如 ElevenLabs），在配置文件中修改 provider 字段就行。
如果你想把服务部署到远程服务器上，README 指向了官方文档（https://docs.dograh.com/deployment/docker#option-2:-remote-server-deployment），不过本地测试已经足够跑通全流程。
拖拽工作流：无需写代码，但源码全可改
README 提到的“drag-and-drop workflow builder”我试了一下。它提供了一些基础节点：
- TTS 播放：让机器人说话。
- 收集用户输入：等待用户说完，然后识别意图。
- 条件分支：比如“购买意图=高”则跳转到报价流程，“低”则继续询问。
- HTTP 请求：调用你自己的 API，比如查询订单状态或者写入客户数据。
整个流程不需要写 Python 代码。但是所有源码都是开放的，如果你需要完全自定义逻辑，可以直接修改 Python 文件。
电话线集成方面，README 写明“Built-in”支持 Twilio、Vonage、Telnyx。我测试了 Twilio：把一个美国号码指向本地 Docker 的 SIP 端口，跑了半小时的通话日志，没有断线，录音文件也能正常生成。
实际测试中遇到的三个问题
1. 默认 STT 的鲁棒性有限。 在安静环境下表现出色，但带上口音或者背景噪音时，识别率会明显下降。好在可以快速切换成 Whisper 或 Deepgram，只需要修改配置文件中的 provider 字段。
2. 文档不够深入。 README 只展示了最基本的用法。更复杂的场景，比如多轮对话的状态管理、并发限制、如何配置复杂的自定义工作流，要么得去看源码，要么去开源社区里翻讨论。
3. 工作流编辑器偶有卡顿。 在我测试一个包含 20 个节点的复杂流程时，拖拽节点时出现了明显的掉帧。作为最小可用产品（MVP）阶段，可以接受，但距离生产级的流畅体验还有优化空间。
谁适合现在就用
合规驱动的团队。 通话音频不能离开自己的服务器，比如医疗、金融、保险公司。一条 4C8G 的 VPS 就能承载几十个并发通话，成本比按分钟付费的 SaaS 低得多。
通话量大的初创公司。 假如一天有 5000 通电话，Vapi 每分钟 0.08 美元，一个月轻松过万。自托管后，可以进一步接本地开源 LLM（比如 Llama 3），省掉 API 调用费。
不适合的人： 如果你只是偶尔接几通电话，或者需要极为成熟的调试面板和话术模板，那么自托管的运维成本——Docker 更新、日志清理、监控告警——可能超过 SaaS 的便利性。Vapi 和 Retell 在这方面的工具链要成熟得多。
如果你愿意接受文档还不够深、编辑器偶尔卡顿这些代价，Dograh 是目前唯一一条 Docker 命令就能跑起来的、完整的开源语音 AI 平台。 不需要任何 API Key 就能试，成本为零。