أفضل 6 أطر عمل مفتوحة المصدر لوكلاء الصوت في 2026 (مرتبة)
في الربع الماضي أطلقنا ثلاثة وكلاء صوت هاتفيين باستخدام Pipecat، ثم أعدنا بناء أحدهم على LiveKit Agents عندما قفز العميل من 20 إلى 400 مكالمة متزامنة. كلاهما إطار عمل مفتوح المصدر لوكلاء الصوت. لا أحد منهما "الأفضل" على الإطلاق. كل واحد جيد في مهام مختلفة، والاختيار الخاطئ يكلفك أسابيع.
هذا الترتيب مبني على ما يُطلق فعليًا في الإنتاج، لا على ما يبدو جذابًا في ملف README. سحبنا أرقام GitHub الحية بتاريخ 14 يوليو 2026: Pipecat عند 13,416 نجمة، LiveKit Agents عند 11,356، وTEN Framework عند 10,898. النجوم وحدها لا تروي القصة كاملة، لذا وزنّا أيضًا نشاط الالتزامات (commits)، ودعم الاتصالات الهاتفية، وشروط الترخيص، وكيفية الأداء تحت حجم مكالمات حقيقي.
الإجابة السريعة: بالنسبة لمعظم الفرق في 2026، يُعد Pipecat أقوى إطار عمل مفتوح المصدر لوكلاء الصوت بفضل مكتبة تكاملاته الكبيرة وتطويره شبه اليومي. يتفوق LiveKit Agents في التوسع والاتصالات الهاتفية الأصلية، ويتفوق TEN Framework في تنسيق الرسوم البيانية متعددة الوسائط، ويتفوق Bolna في تشغيل وكيل هاتفي جاهز خلال بعد ظهر واحد.
إذا كنت تفضل شراء منتج جاهز بدلًا من تجميع واحد بنفسك، فإن مقارناتنا لـالمنصات المُدارة مثل ElevenLabs وVapi وSynthflow وRetell AI مقابل Vapi مقابل Bland هي نقطة انطلاق أفضل. جديد على هذه الفئة؟ ابدأ بمقالنا عن ماهية وكيل الصوت الذكي.
كيف رتّبنا هذه الأطر
قيّمنا كل إطار عمل بناءً على خمسة عوامل يعيش عليها أي مشروع حقيقي أو يموت بسببها: مدى نشاط التطوير (الالتزامات خلال آخر 90 يومًا)، واتساع تكاملات تحويل الكلام إلى نص/النموذج اللغوي/تحويل النص إلى كلام، ودعم الاتصالات الهاتفية (هل يستطيع الرد على رقم هاتف حقيقي)، وشروط الترخيص، والسلوك تحت التزامن. إليك القائمة المختصرة بنظرة سريعة.
| الترتيب | الإطار | النجوم (يوليو 2026) | الترخيص | اللغة | الاتصالات الهاتفية | الأنسب لـ |
|---|---|---|---|---|---|---|
| 1 | Pipecat | 13,416 | BSD-2-Clause | Python | Twilio, Daily, Telnyx | مشاريع إنتاجية شاملة |
| 2 | LiveKit Agents | 11,356 | Apache-2.0 | Python, Node | SIP أصلي + أرقام هاتفية | التوسع والوقت الفعلي |
| 3 | TEN Framework | 10,898 | Apache-2.0 (هجين) | C, Go, Python, JS | عبر Agora RTC | متعدد الوسائط والحوسبة الطرفية |
| 4 | Bolna | 695 | MIT | Python | Twilio, Plivo, Exotel, SIP | وكلاء هاتفيون سريعون |
| 5 | FastRTC | 4,618 | MIT | Python | WebRTC (توفّرها بنفسك) | نماذج أولية وعروض توضيحية |
| 6 | Vocode | 3,773 | MIT | Python | Twilio, Vonage | مرجعي، مع تحفظات |
1. Pipecat — الخيار الأفضل الشامل
Pipecat، الذي بناه الفريق نفسه وراء Daily، هو إطار عمل بلغة Python يُصمّم المحادثة كخط أنابيب (pipeline): الصوت يدخل، يمر عبر تحويل الكلام إلى نص، ثم نموذج لغوي، ثم تحويل النص إلى كلام، ويخرج الصوت مجددًا. هذا النموذج الذهني سهل الفهم، ووصل إلى إصدار مستقر v1.0 في أبريل 2026.
ما يميّزه هو مكتبة التكاملات. Deepgram وAssemblyAI وOpenAI وGemini وCartesia وElevenLabs، وعشرات غيرها، متصلة بالفعل، فتبديل مزوّد تحويل النص إلى كلام يصبح تغييرًا بسطر واحد بدلًا من إعادة كتابة كاملة. تعمل الاتصالات الهاتفية عبر Twilio أو Daily أو Telnyx. وبفضل 13,416 نجمة والتزامات تصل يوميًا تقريبًا، يمتلك أيضًا أكبر زخم بين كل ما في هذه القائمة.
المقايضة: لأن Pipecat يمنحك القطع لا وكيلًا جاهزًا، فأنت من يملك منطق التنسيق. لا توجد أداة سحب وإفلات. عليك كتابة Python. بالنسبة لفريق يكتب الكود أصلًا، هذه ميزة لا عيب.
اختره إذا: أردت أساسًا محايدًا تجاه المزوّدين وجاهزًا للإنتاج بأوسع دعم للنماذج، وكنت مرتاحًا لكتابة Python. هذه نقطة انطلاقنا الافتراضية لمعظم أعمال العملاء.
2. LiveKit Agents — مبني للتوسع والوقت الفعلي
يتبع LiveKit Agents نهجًا مختلفًا. بدلًا من خط أنابيب خطي، ينضم وكيلك إلى غرفة كمشارك عبر WebRTC، وهي التقنية نفسها وراء مكالمات نمط Zoom. هذه البنية هي سبب تألقه عندما تحتاج زمن استجابة منخفضًا ومحادثات متزامنة كثيرة.
القصة الكبرى في 2026 هي الاتصالات الهاتفية. أطلق LiveKit دعم SIP وأرقام هاتفية أصليين، فلم يعد الاتصال الوارد والصادر بحاجة إلى جسر Twilio في المنتصف. كما يقدّم دعمًا رسميًا لواجهة OpenAI Realtime API، وابتداءً من سلسلة الإصدار 1.5.x، أدوات بروتوكول سياق النموذج (MCP) الأصلية ومعالجة تكيّفية للمقاطعات. يمكنك قراءة التفاصيل في وثائق LiveKit Agents. وإذا أردت فهم واجهة Realtime API التي يغلّفها، فقد غطّينا واجهة OpenAI Realtime API لوكلاء الصوت في مقال منفصل.
بما أنه يعمل فوق خادم وسائط WebRTC مفتوح المصدر تابع لـ LiveKit، يمكنك استضافة المكدس بأكمله بنفسك. منحنى التعلّم أكثر حدة من Pipecat، ويحتاج التفكير بمنطق الغرف والمشاركين وقتًا ليترسخ.
اختره إذا: كنت تتوقع تزامنًا حقيقيًا، أو تريد اتصالات هاتفية أصلية دون جسر، أو كنت تبني وكيل OpenAI Realtime يجب أن يصمد أمام ذروات الحركة.
3. TEN Framework — متعدد الوسائط ومبني على الرسوم البيانية
يصف TEN Framework (شبكة الامتدادات التحويلية)، المدعوم من Agora، وكيلك كرسم بياني من العُقد: تحويل الكلام إلى نص، والنموذج اللغوي، والأدوات، والذاكرة، والرؤية. تُركّب الرسم البياني عبر أداة بناء سير عمل، وينفّذه TEN. إنه الخيار الأكثر مرونة هنا لأي شيء يتجاوز الصوت البسيط، ونواته المكتوبة بلغة ++C مضبوطة لأداء صوتي منخفض زمن الاستجابة.
كما أنه يتحدث أوسع نطاق من اللغات بين كل الأطر في هذه القائمة، بامتدادات بلغات C وGo وPython وJavaScript وTypeScript، إضافة إلى موصلات جاهزة لـ Dify وCoze. صفحة Agora TEN Framework هي أوضح نظرة عامة على قدراته.
هناك تحفظان. الأول أن الترخيص هجين: معظم الإطار مرخّص بموجب Apache-2.0، لكن مع قيود إضافية على مجلدات معينة، لذا اقرأ ملف LICENSE قبل الإطلاق التجاري. الثاني أن نقل الوقت الفعلي يعتمد على شبكة Agora، ما يعني الحاجة إلى معرّف تطبيق Agora، وبعد تجاوز الفئة المجانية، تكاليف استخدام لدى Agora.
اختره إذا: كنت تبني وكيلًا متعدد الوسائط (صوت مع رؤية أو صور رمزية)، أو تُقدّر التركيب القائم على الرسوم البيانية، أو تريد أدنى مستوى من الأداء الصوتي المتاح في المصادر المفتوحة.
4. Bolna — أسرع طريق لوكيل هاتفي
Bolna أصغر حجمًا (695 نجمة) وأكثر تحديدًا في توجهه من الثلاثة الأولى، وهذه بالضبط نقطة قوته. إنه أولًا وقبل كل شيء إطار اتصالات هاتفية. حيث تجعلك الأطر الأخرى تُجمّع نظام الاتصال بنفسك، يقدّمه Bolna جاهزًا: Twilio للمكالمات العالمية، وPlivo وExotel للهند، وقنوات SIP مخصصة، وكل ذلك يُهيّأ في تعريف وكيل بصيغة أشبه بـ JSON بدلًا من كتابة كود.
هذا الإعداد القائم على التهيئة يعني أنه بإمكانك تشغيل وكيل هاتفي واردٍ أو صادرٍ يرد على مكالمات حقيقية أسرع من أي شيء آخر تقريبًا هنا. تحت الغطاء، ينسّق مزوّدي التعرّف على الكلام والنموذج اللغوي وتحويل النص إلى كلام عبر مقابس الويب (websockets)، فتظل أنت من يختار نماذجه. بقي التطوير نشطًا حتى منتصف 2026.
ثمن هذه السرعة هو مجتمع أصغر وتكاملات أقل مقارنة بـ Pipecat أو LiveKit. إذا واجهت حالة استثنائية، فمن المرجح أن تكون أنت أول من يبلّغ عنها. بالنسبة للمشاريع التي تعتمد بشدة على الاتصالات الهاتفية، قارنه بالخيارات في مقارنة اتصالات وكلاء الصوت الهاتفية.
اختره إذا: كانت حالة استخدامك مكالمات هاتفية أولًا (تذكيرات مواعيد، تأهيل صادر، دعم وارد) وأردت تخطي تعقيدات الاتصالات الهاتفية بالكامل.
5. FastRTC — خيار النمذجة الأولية الخفيف
FastRTC، من فريق Hugging Face وGradio، ليس إطار عمل وكيل كامل، وهذا هو المقصود بالضبط. إنه مكتبة Python للصوت والفيديو في الوقت الفعلي عبر WebRTC أو مقابس الويب. توفّر تحويل الكلام إلى نص والنموذج اللغوي وتحويل النص إلى كلام بنفسك، ويتولى FastRTC نقل البث الحي بأسطر قليلة من الكود.
بالنسبة لإثبات مفهوم، أو عرض توضيحي، أو تجربة بحثية سريعة، هذه البساطة نعمة. يمكنك تشغيل نموذج أولي متحدث خلال بعد ظهر واحد دون الالتزام بقواعد إطار عمل ثقيل. يتناسب بشكل طبيعي مع منظومة Hugging Face، فربط النماذج المفتوحة سهل.
الجانب الآخر أنك مسؤول عن كل ما كان سيوفّره لك إطار عمل عادة: اكتشاف الدور، معالجة المقاطعات، الاتصالات الهاتفية، إدارة الحالة. يتقلّص بأناقة، لكن توسيعه مؤلم.
اختره إذا: كنت تصنع نموذجًا أوليًا، أو تُدرّس، أو تبني عرضًا توضيحيًا في المتصفح، وأردت أقصى قدر من التحكم بأقل حمل من إطار العمل.
6. Vocode — مهم تاريخيًا، مع تحفظ على الصيانة
ساعد Vocode في تعريف هذه الفئة بأكملها. تصميمه المعياري لتحويل الكلام إلى نص/النموذج اللغوي/تحويل النص إلى كلام، ودعمه المدمج لـ Twilio وVonage للاتصالات الهاتفية، جعلاه من أوائل أطر الصوت مفتوحة المصدر القابلة للاستخدام الفعلي، وعند 3,773 نجمة لا يزال يظهر في كثير من الدروس التعليمية.
وهنا الجزء الصريح، وهو سبب ترتيبه الأخير: نواة المصدر المفتوح سكتت. آخر التزام (commit) على vocode-core كان في نوفمبر 2024، والمستودع لا يحتوي سوى مشكلتين مفتوحتين، وهو ما يشير عادة إلى أن الاهتمام انتقل إلى المنتج المُستضاف للشركة بدلًا من قائمة تطوير نشطة. الكود لا يزال يعمل، والتصميم يستحق الدراسة، لكنك ستبني على أساس لا أحد يصونه بفعالية.
اختره إذا: كنت تدرس بنية وكلاء الصوت، أو تصون مشروع Vocode قائمًا بالفعل، أو أردت تحديدًا أنماط تصميمه وتقبّلت أنك ستتولى صيانة الأساس بنفسك.
أدوات أخرى تستحق المعرفة
بعض الأدوات تقع خارج الترتيب مباشرة لكنها تستحق مكانًا في رادارك.
- OpenAI Agents SDK (أكثر من 27,900 نجمة) يقدّم امتدادًا لخط أنابيب صوتي. إنه أداة تطوير وكلاء عامة الغرض لا صوتية أولًا، لكنه خيار معقول إن كنت معتمدًا عليه أصلًا.
- Gabber إطار عمل أحدث متعدد الوسائط لوكلاء يرون ويسمعون ويتحدثون، موجّه لحالات استخدام الشاشة والكاميرا.
- Jambonz عمود اتصالات هاتفية مفتوح المصدر. لا يبني عقل الوكيل، لكنه طريقة بمستوى شركات الاتصالات لربط أي إطار عمل بشبكات الهاتف الحقيقية.
- Rasa (أكثر من 21,000 نجمة) لا يزال الخيار الأثقل للحوار المؤسسي وفهم اللغة الطبيعية عبر النص والصوت، رغم أنه أكثر تعقيدًا في التشغيل من كل ما سبق.
- Ultravox نموذج لغوي كلامي سريع، لا إطار تنسيق، فتعامل معه كمكوّن قابل للتوصيل لا كمنافس.
ما الذي نستخدمه فعليًا في مشاريع العملاء
في Techsy نبني وكلاء صوت لعملاء B2B، وإليك الواقع غير البرّاق خلف هذا الترتيب.
مكدسنا الافتراضي هو Pipecat مع ربط Deepgram Nova-3 لتحويل الكلام إلى نص، وGPT-4o-mini كنموذج لغوي، وCartesia Sonic لتحويل النص إلى كلام. بمجرد ضبط اكتشاف الدور، يستقر زمن استجابة الصوت إلى الصوت عادة بين 0.7 و1.1 ثانية، وهو قريب بما يكفي من محادثة بشرية ليتوقف المتصلون عن ملاحظته. ادفع أيًا من هذه المكونات نحو نموذج أبطأ وستشعر بالفرق فورًا.
الاتصالات الهاتفية هي حيث تتعقّد المشاريع. شغّلنا نمطين في الإنتاج: قناة SIP من Twilio مربوطة بـ SIP الأصلي في LiveKit للدعم الوارد عالي الحجم، ومعالجة Plivo المدمجة في Bolna عندما احتاج عميل فقط مكالمات تذكير صادرة. مسار LiveKit يكلّف ساعات هندسة أكبر مقدمًا، لكنه يبقى ثابتًا عندما تصل 300 مكالمة في الدقيقة نفسها. Bolna يجعلك جاهزًا للانطلاق بحلول يوم الجمعة.
حسابات الاستضافة الذاتية تُربك الناس. تشغيل تحويل الكلام إلى نص وتحويل النص إلى كلام محليًا على وحدة معالجة رسومات A10G واحدة يكلّف تقريبًا ما بين 0.50 و0.90 دولار في الساعة سواء وصلت مكالمة واحدة أم لا. أما واجهات برمجة التطبيقات بالدفع لكل دقيقة مثل Deepgram وCartesia فلا تكلّف شيئًا عند الخمول لكنها تتراكم بسرعة بعد تجاوز بضعة آلاف من الدقائق شهريًا. دون نحو 15,000 دقيقة شهريًا، تفوز واجهات برمجة التطبيقات في الغالب دائمًا، وهذا ما نوصي به لمعظم العملاء. نلجأ إلى LiveKit بدلًا من Pipecat بشكل أساسي عندما يتجاوز التزامن بضع مئات من المكالمات المتزامنة.
إذا كان سؤال البناء مقابل الشراء لا يزال مفتوحًا لديك، فقد شرحنا التفصيل الكامل للتكلفة في دليلنا البناء مقابل شراء وكيل صوت ذكي. وإذا كنت تفضّل أن يتولى فريق ضبط زمن الاستجابة والاتصالات الهاتفية والتوسع نيابة عنك، فهذا بالضبط ما نقوم به في قسم وكلاء الصوت لدى Techsy.
كيف تختار خلال دقيقة واحدة
تجاوز شلل التحليل. إليك القرار في نقاط:
- تريد الخيار الافتراضي الأكثر أمانًا والشامل: Pipecat.
- تحتاج تزامنًا حقيقيًا أو اتصالات هاتفية أصلية: LiveKit Agents.
- تتجه نحو تعدد الوسائط (صوت مع رؤية أو صور رمزية): TEN Framework.
- تحتاج وكيلًا هاتفيًا جاهزًا هذا الأسبوع: Bolna.
- تصنع نموذجًا أوليًا أو تُدرّس: FastRTC.
- تفضّل الشراء على البناء: منصة مُدارة مثل Vapi أو Retell أو Synthflow، لا إطار عمل على الإطلاق.
الأسئلة الشائعة
ما هو إطار عمل وكيل الصوت مفتوح المصدر؟
هو قاعدة كود قابلة للاستضافة الذاتية تربط تحويل الكلام إلى نص، ونموذجًا لغويًا، وتحويل النص إلى كلام معًا، بحيث يستطيع البرنامج إجراء محادثة منطوقة. على عكس المنصات المُدارة، تُشغّله على بنيتك التحتية الخاصة، وتختار نماذجك بنفسك، وتدفع فقط مقابل الخدمات الأساسية بدلًا من هامش سعر لكل دقيقة.
أي إطار عمل وكيل صوت مفتوح المصدر يمتلك أقل زمن استجابة؟
يتصدر TEN Framework في أداء خط الأنابيب الصوتي الخام بفضل نواته المكتوبة بلغة ++C، لكن عمليًا يهيمن زمن استجابة الشبكة والنموذج على المجموع الكلي. مكدس Pipecat أو LiveKit مضبوط جيدًا على نموذج سريع يصل عادة إلى 0.7 إلى 1.1 ثانية من الصوت إلى الصوت، وهو ما يوازي TEN في معظم عمليات النشر الحقيقية.
هل المصدر المفتوح أرخص فعلًا من Vapi أو Retell؟
ليس دائمًا. المصدر المفتوح يزيل هامش السعر لكل دقيقة الذي تفرضه المنصة، لكنك تتحمّل تكاليف الهندسة والاستضافة والصيانة. دون بضعة آلاف من دقائق المكالمات شهريًا، تكون المنصة المُدارة أرخص عادة بمجرد احتساب وقت المطورين. بعد تجاوز عشرات الآلاف من الدقائق، تتفوق الاستضافة الذاتية لإطار عمل.
هل تستطيع هذه الأطر الرد على مكالمات هاتفية حقيقية؟
نعم. يتصل Pipecat عبر Twilio أو Daily أو Telnyx؛ ويقدّم LiveKit Agents دعم SIP وأرقامًا هاتفية أصليين؛ ويحتوي Bolna على Twilio وPlivo وExotel جاهزة؛ ويدعم Vocode كلًا من Twilio وVonage. أما FastRTC فمركّز على المتصفح ويحتاج جسرًا خارجيًا مثل Jambonz للوصول إلى شبكة الهاتف.
هل أحتاج خبرة في تعلّم الآلة لاستخدامها؟
لا. تحتاج مهارات هندسة برمجيات، غالبًا Python. المهام الثقيلة (النسخ، الاستدلال، توليف الكلام) يتولاها النموذج الذي تربطه عبر واجهة برمجية. أنت تُنسّق خدمات، لا تُدرّب نماذج، إلا إذا اخترت عمدًا استضافة نماذج مفتوحة الأوزان بنفسك.
أي إطار عمل هو الأفضل للمبتدئين؟
Pipecat، لأن نموذج خط الأنابيب لديه هو الأسهل فهمًا، ووثائقه وأمثلته الأكثر اكتمالًا. FastRTC خيار ثانٍ جيد إن أردت البدء بشيء أصغر بعد وفهم طبقة النقل الخام قبل تبني إطار عمل كامل.
هل أطر الصوت مفتوحة المصدر جاهزة للإنتاج في 2026؟
الأطر الثلاثة الأولى جاهزة. وصل Pipecat إلى v1.0، وLiveKit Agents على سلسلة الإصدار 1.5.x، ويُشغّل TEN Framework عمليات نشر تجارية عبر Agora. الخطر الأساسي ليس في الأطر نفسها بل في وضعية صيانة المشاريع الأصغر، وهو سبب تنبيهنا إلى توقف نواة Vocode.
ما الفرق بين هذا وبين واجهة برمجية لتحويل النص إلى كلام مثل ElevenLabs؟
واجهة تحويل النص إلى كلام تحوّل النص فقط إلى صوت، وهذا مكوّن واحد فقط. أما إطار عمل وكيل الصوت فينسّق الحلقة بأكملها: يستمع، وينسخ الكلام، ويرسل النص إلى نموذج لغوي، ويحصل على رد، وينطقه مجددًا، مع إدارة المقاطعات وتبادل الأدوار. الإطار هو من يستدعي واجهة تحويل النص إلى كلام، لا العكس.
عن الكاتب
مرت باتور هو المؤسس المشارك لـ Techsy.io، حيث يبني الفريق وكلاء ذكاء اصطناعي، وأنظمة أتمتة، وخطوط أنابيب صوتية وSDR لعملاء B2B. يكتب عن منظومة أدوات النماذج اللغوية الكبيرة التي يستخدمها فريق Techsy فعليًا في الإنتاج. تواصل معه عبر LinkedIn.