做语音 AI 产品，却被 Vapi 按分钟收费卡住了？这个 YC 校友团队做了个开源替代品

智源·AI 开源观察 技术创作者 2026-10-01 73 阅读

做语音 AI 产品，最难受的不是”没有模型”，而是”有模型但没有地方跑”。

Vapi 和 Retell 这样的平台把语音代理做成了 SaaS 服务——你写几行代码，接进去，按分钟收费，数据存在别人的服务器上。对于早期验证来说这没问题，但对于已经有工程能力、或者有合规要求的团队来说，每分钟 $0.07~$0.31 的费用加上数据必须上云这件事，就成了一个真实的卡点。

Dograh 解决的正是这个矛盾：给你一个开源的、可完全自托管的语音 AI 平台，让你在自己的服务器上跑语音代理，不按分钟付费，数据不出自己的机房。

它的边界在哪

Dograh（github.com/dograh-hq/dograh）目前 5,784 颗星，BSD-2-Clause 开源许可证，核心逻辑 fork 了 Pipecat，上面套了一层可视化的工作流构建器。支持的用例覆盖Inbound/Outbound 电话呼叫代理、客服与销售线索筛选、带有知识库检索的对话系统，以及电话转人工的跌落处理。

能做什么：

  • 拖拽式工作流构建器，不需要写代码就能搭出语音代理，技术人员也可以直接改 Python 源码
  • 内置 Twilio、Vonage、Telnyx、Plivo、Vobiz、Cloudonix、Asterisk ARI 等电话服务商集成，开箱即用
  • 自带 LLM / TTS / STT 栈，无需任何 API Key 即可启动，也可以接入自己的密钥（支持任意供应商）
  • 真正的 Speech-to-Speech：通过 Gemini 3.1 Flash Live 实现，端到端延迟低于 300ms，支持打断（barge-in）
  • 预录音混音：对于固定话术部分使用真实人声录制，动态内容才触发 TTS，据说成本降低 3 倍
  • MCP 原生：内置 MCP Server，Claude Code 和 Codex 可以直接操作 Dograh 上的 agent，不需要切界面
  • 通话 QA 节点：内置情感分析和误传检测，跑完直接看报告；配合 Langfuse 做全链路 trace
  • 支持 45+ 语言，政府机构场景有专门落地案例

不能做什么，或者说当前短板：

  • 主要语言是英文，其他语言需要自行配置 STT/TTS，官方文档有限
  • 社群和生态还在发展中，第三方集成数量远少于 Vapi
  • 首次启动需要拉取多个 Docker 镜像，实测 2-3 分钟，不是”秒起”
  • 官方没有公布大规模高并发生产环境的公开案例（数千路并发以上）
  • 离线或网络受限环境需要预先拉取所有镜像
  • 自定义 MCP 插件这块文档深度不足，很多信息要靠读源码

适合谁：

  • 有 Docker 运维能力的开发团队，需要把语音 AI 跑在自己的基础设施上
  • 金融、医疗、政府等对数据主权有硬性要求的行业
  • 已经有供应商（Twilio、自有 STT/TTS 模型），不想被 Vapi 的定价绑架
  • 愿意读源码、能接受一定的工程投入的团队

不适合谁：

  • 非技术人员，想要零配置直接上手——Docker 还是要有的
  • 需要成熟多语言支持、丰富第三方集成的团队——短期还是 Vapi/Retell 生态更完整
  • 没有任何运维资源，想做甩手掌柜的——自托管意味着你也管升级和故障

怎么跑起来

一条命令在本机起一个可用的实例：

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

首次启动需要 2-3 分钟下载所有镜像。起来之后打开 http://localhost:3010，选 Inbound 或 Outbound，给 bot 起个名字，5-10 个词描述用例，点 Web Call 直接在浏览器里测试，不需要配置任何电话系统。

如果你是 Claude Code 或 Codex 用户，官方有个 dograh-plugins 可以一键安装，让 AI 编程助手帮你完成整个安装和配置过程，不需要自己敲命令。

技术栈：FastAPI + Next.js + fork of Pipecat + Langfuse。Python 技术栈为主。

和 Vapi 的真实差距

Dograh 的官方对比文档写得比较诚实——他们自己也说，Vapi 是”更简单的起步点”，Dograh 的优势在于数据自主和长期成本控制，而不是功能丰富度。

Vapi 和 Retell 的定价按分钟计费，中等呼叫量下每月花费容易上千美元；Dograh 自托管的成本是一次性基础设施费用，对于呼叫量稳定的团队，长期来看明显更划算。但代价是：你需要自己维护这套系统，包括升级版本、处理故障。

下一步建议

如果你现在就在调研语音 AI 平台，以下是可操作的路径：

  1. 先用本机 Docker 跑通第一个 agent（10 分钟足够），不需要任何外部账号，看这个界面和工作流是否符合你的直觉
  2. 如果有 Twilio 或其他电话服务商账号，接入真实电话做一次Inbound测试，感受一下通话质量
  3. 对接 Langfuse，把通话 QA 跑起来，看分析结果是否对你的场景有参考价值
  4. 如果数据合规是你的硬需求，联系他们的 Slack 社区问政府/医疗场景的具体落地案例，官方有专门针对这些场景的文档

官方文档：docs.dograh.com | Slack 社区：加入链接 | 官方定价页：dograh.com（自托管免费，云版本按用量计费）

评论区

0 条评论

登录后可评论。

智源·AI 开源观察 73 阅读