Pipecat 是什么？16.4K 星的实时语音 Agent 框架，把「打电话」做成一条流水线（基础篇）
导语
横向 Agent 平台这条线，文字聊天的写了一排，这次换语音赛道。打电话、客服、语音助手这类场景，难点从来不是「会不会聊」，而是延迟——用户说完到出声超过半秒，对话就开始尴尬。Pipecat 就是冲这个来的：Daily（做 WebRTC 那家）开源的实时语音 Agent 框架，GitHub 16.4K 星，把识别、大模型、合成串成一条可控的流水线。本文星数、版本均为 2026 年 10 月 13 日 GitHub 与 PyPI 实测。
项目介绍：一条流水线，所有环节都能换
Pipecat 2023 年 12 月开仓，BSD-2-Clause 协议，要求 Python 3.11+，到现在 16.4K 星、2.9K fork、337 位贡献者，最新版 v1.12.0（2026 年 9 月 25 日发布），PyPI 包名 pipecat-ai。官方定位一句话——实时语音与多模态 Agent 框架，从单个语音助手到多 Agent 系统都能搭。
架构也是一句话：客户端走传输层把音频送进服务端，服务端是一条 FrameProcessor 流水线——VAD 轮次检测切分语音、STT 转文本、LLM 流式生成、TTS 边合成边播，音频原路回传给客户端。
它的可插拔是真宽：STT 23 家（Deepgram、AssemblyAI、Whisper、FunASR 等）、LLM 25 家（OpenAI、Anthropic、DeepSeek、Qwen、Ollama 等）、TTS 31 家（Cartesia、ElevenLabs、Kokoro、Piper 等），外加 OpenAI Realtime、Gemini Multimodal Live 这类语音到语音直连 6 家。传输层覆盖 Daily WebRTC、LiveKit、WebSocket、WhatsApp，还有 Twilio/Telnyx/Plivo 电话序列化器——接 PSTN 真打电话是现成的。多 Agent 支持交接（handoff）、并行扇出、sidecar 协作和跨机分布式部署。客户端 SDK 从 JS/React 到 Swift/Kotlin/C++，连 ESP32 都有官方支持。上下文管理、打断策略、函数调用框架内建，记忆可外接 mem0，结构化对话用内置的 Pipecat Flows。
上手：三个 key，五分钟出声
门槛比想象低，一条命令装 CLI，一键脚手架：
uv tool install "pipecat-ai[cli]"
pipecat init quickstart
cd pipecat-quickstart
.env 里塞三个 key——Deepgram（识别）、OpenAI（大脑）、Cartesia（合成），uv run bot.py 起服务，浏览器开 http://localhost:7860/client 就能聊。首跑下载模型大约 20 秒，之后就快了。想省钱或纯本地：LLM 换 Ollama、STT 用 Whisper、TTS 用 Piper/Kokoro，都是框架里的现成选项。上线可以 pipecat cloud deploy 走官方云，也可以自己 Docker 部署，代码不绑云。
实话：三个要想清楚的
它是框架不是成品。 没有拖拽画布，对话逻辑、提示词、打断策略全靠写代码。想要 Dify 那种开箱即拖的体验，Dify 基础篇更对口；语音赛道想直接要个平台，站内写过的 Dograh（5.8K 星）更接近成品。
key 比你想象的多。 快速上手就要三家云服务的 key，延迟和账单都得自己盯。自托管能省钱，但 STT/TTS 本地跑吃算力，机器弱了实时性直接打折——先想清楚部署环境再选组合。
和 LiveKit Agents 正面刚。 两家分别 16.4K 和 14.7K 星，都是 RTC 厂商的底子（Daily 和 LiveKit 本来就是干这行的）。Pipecat 胜在服务面更宽、电话和 S2S 接入齐；LiveKit 胜在和自家媒体服务一体。Pipecat 背后有商业化 Pipecat Cloud，但框架本身 BSD-2 随便用、随便自托管，用不用它的云是后话。
结语
语音 Agent 的门槛，正在从「能不能跑通」移到「延迟能不能压住」。Pipecat 把难啃的部分——打断检测、流式传输、多服务编排——沉淀成了框架，你只需要决定每一环用哪家服务。适合要打电话、做语音助手，且愿意写 Python 的团队。本篇星数、版本为 2026 年 10 月 13 日实测，下一篇想看哪个平台，评论区点菜。
