SIP音声ボットのMVPを記載

この記事は筆者オンリーのAdvent Calendar 202515日目の記事です。

アドベントカレンダー15日目は、いったん「現行実装でどこまでできているか」を MVPとして再掲 します。
SIP/RTP/録音/フロント連携まで、今のコードが正（Single Source of Truth）という前提でまとめます。

この記事の狙いは、仕様や議論を増やすことではなく、

• 「ここまでできたらMVP」
• 「今の構成はこうなっている」
• 「イベントの流れはこう」

を固定して、16日以降の記事（SIP/RTP/会話/AI）を書きやすくすることです。

---

最小動作の定義（「ここまでをMVP」とする）

SIP（最低限の呼制御）

• INVITE → 200 OK → ACK が通る
• BYE 受信時に 200 OK を返す
• 再送/タイマは簡易で可（本格対応は後続）

RTP（まずは片方向でもOK）

• 片方向でもOK（PCMU / 8000Hz 固定）
• 音声を受信し、録音（mixed.wav + meta.json）を生成できる

録音配信（フロントで再生できる）

• /recordings/<日時_callId>/mixed.wav を HTTP で配信
• recordingUrl をフロントに渡せる

履歴連携（通話が終わったらフロントに渡す）

• 通話終了時に ingest へ Call 情報を送る（from/to/開始/終了/recordingUrl）
• これ以上の SIP 拡張（PRACK/UPDATE/Session-Expires等）、RTCP、本格エラーポリシーは後続

---

全体アーキテクチャ（現行コードが正）

現行の全体構成は以下です。

役割（ざっくり）

• transport：UDP入出力とバイト配送だけ（SIP/RTPを振り分ける）
• sip：SIPパースとトランザクション（タイマ簡易版）
• rtp：RTP受信パース＋jitter簡易廃棄
• session：コール制御＋録音開始/停止＋ingest送信（現状ここに集約）
• media：mixed.wav と meta.json の生成
• http：録音ファイルの静的配信（/recordings）

このMVP段階では、「会話ロジック（app）」よりも通話基盤（SIP/RTP/録音/配信）を優先しています。

---

ディレクトリ構成（主要）

• src/transport/：UDP I/O（SIP/RTP振り分け）
• src/sip/：SIP パース・トランザクション
• src/rtp/：RTP 受信/送信、stream管理
• src/session/：コール制御、録音/ingestを呼び出し（現状の中心）
• src/media/：録音生成（mixed.wav / meta.json）
• src/http/：録音静的配信サーバ
• docs/design.md：レイヤと責務の設計（神様）
• docs/mvp.md：このMVP再掲（神様）

---

イベントの流れ（現行実装）

MVPは「通話→録音→配信→履歴送信」を一本通すのが目的なので、イベント流れはシンプルにしています。

1. transport が SIP UDP を受信 → sip に SipInput
2. sip が INVITE をパースし、SessionOut で 180/200 を送出
   → transport 経由で送信
3. main が SipEvent を受けて session を生成（rtp/recordingを配線）
4. RTP受信：transport → rtp → session に MediaRtpIn
5. session が録音開始、音声を media に書き込み
6. BYE / タイムアウトで録音停止し、ingest に通話情報＋recordingUrl を POST
7. http が /recordings/<日時_callId>/mixed.wav を配信し、フロントは recordingUrl を再生

ポイントは、MVPでは 「会話（ASR/LLM/TTS）」は後回しでも、録音と可視化（フロント再生）まで通している ことです。
デバッグが一気にやりやすくなります。

---

設定（主な環境変数）

MVPで触る範囲の設定はこのあたり。

• SIP_BIND_IP / SIP_PORT / ADVERTISED_IP / ADVERTISED_RTP_PORT
• RECORDING_HTTP_ADDR
  • 録音配信サーバのbind（デフォルト 0.0.0.0:18080）
• RECORDING_BASE_URL
  • フロントに渡す録音URLのベース
  • 未指定なら RECORDING_HTTP_ADDR を http:// で利用
• INGEST_CALL_URL
  • フロントの /api/ingest/call へのURL

---

このMVPで「やらない」と決めたこと（後続タスク）

MVPを固めるために、あえて後回しにしているものも明記しておきます。

• 正式な SIP トランザクションタイマ（A/B/E/F/H/J）と状態機械
• RTCP SR/RR、本格ジッタバッファ、Codec拡張
• 録音の時間同期（実時間ベース化 / トラック分離）
• httpレイヤのREST/SSE提供と認証

ここを次々回以降のネタにできます。

---

まとめ（15日目の固定点）

• 「通話が成立する（SIP）」「音が取れる（RTP）」「録音が残ってフロントで再生できる（http/media）」「履歴が飛ぶ（ingest）」
  ここまでを 2025-12-15時点のMVP として固定。
• 実装上は session に責務が集約されているが、MVPとしては意図的（後で分離していく余地あり）。
• 16日以降は、このMVPを土台にして「SIPをちゃんとする」「RTPをちゃんとする」「会話（ASR/LLM/TTS）をつなぐ」を順に書いていく。

次回（16日）は、まず SIP UASの最小実装（INVITE/ACK/BYE） を、実装目線で掘り下げます。