家に 20 年以上動き続けている固定電話がある。ふとそれを見ていて気づいた——SIP はオープンスタンダードなのに、なぜ iOS にまともなクライアントがないのか。

既存のアプリはどれも UI が古いか、通話データを外部サーバーに送っている。そこで自分で作ることにした。それが YakPhone だ。

技術スタック概要

役割	採用技術
SIP プロトコル層	baresip 4.70 + libre
ブリッジ層	Objective-C++ (~2400行)
UI	SwiftUI + UIKit (iOS 15+)
通話システム統合	CallKit + PushKit
音声転写	whisper.cpp (Metal GPU 加速)
LLM	llama.cpp (Q4 量子化)
永続化	SQLite + iCloud バックアップ

なぜ baresip を選んだか

iOS 向けの主要な OSS SIP ライブラリは 3 つある。

PJSIP は歴史が長くドキュメントも豊富だが、iOS 向けのビルド設定が複雑で、商用ライセンスにも制限がある。

Linphone SDK はバイナリが 30MB を超え、独自の UI レイヤーを強制的に持ち込んでくる。ゼロから UI を書きたい場合には向かない。

baresip はモジュール式で BSD ライセンス。必要なモジュール（g711、audiounit、avcodec、srtp）だけをロードできる。C API が低レベルなので、イベントループとスレッドを精密にコントロールできる——これは CallKit の同期コールバック要件に対応する上で非常に重要だった。

Objective-C++ ブリッジの設計

baresip の C API を Swift から使うために、BaresipManager.mm という Objective-C++ ファイルを書いた。約 2400 行になった。

基本的な構造はこうなっている：

// C のコールバックから Swift/ObjC の世界に橋渡し
static void bevent_handler(enum bevent_ev ev, struct bevent *event, void *arg) {
BaresipManager *mgr = (__bridge BaresipManager *)arg;
   
switch (ev) {
 case BEVENT_REGISTER_OK: {
     NSString *accountId = [sharedInstance accountIdForUA:ua];
     dispatch_async(dispatch_get_main_queue(), ^{
     [mgr handleRegisterSuccess:YES message:@"OK" accountId:accountId];
   });
   break;
}
// ...

C のコールバックは baresip の re_main イベントループスレッドで呼ばれるため、UI 操作はすべて dispatch_async(dispatch_get_main_queue(), ...) で main thread に渡している。

CallKit + PushKit の統合

PushKit の罠
iOS 13 以降、VoIP push を受信したら必ず reportNewIncomingCall を呼ばなければならない。呼ばなかった場合、システムがプロセスを強制終了する。

しかし「SIP の INVITE が届いてから上報する」という実装は危険だ。ネットワーク状況によっては INVITE が来ない可能性があり、その場合プロセスが kill される。

解決策：

VoIP push 受信と同時に CallKit へプレースホルダー通話を上報
SIP INVITE が届いたら通話情報を update
一定時間内に INVITE が来なければ endCall(with: .failed) で終了

var onIncomingPush: (([AnyHashable: Any], @escaping () -> Void) -> Void)?

// PushKit delegate
func pushRegistry(_ registry: PKPushRegistry,
                  didReceiveIncomingPushWith payload: PKPushPayload,
                  for type: PKPushType,
                  completion: @escaping () -> Void) {
    onIncomingPush?(payload.dictionaryPayload, completion)
}

Whisper.cpp の統合

アーキテクチャ
通話中、音声フィルター（ios_aufilt）から 16kHz の PCM データを受け取り、ローカル（自分）とリモート（相手）の 2 系統に分けて whisper に流す。これにより話者識別（speaker attribution）が可能になる。

whisper.cpp は iOS の Metal をサポートしており、推論速度が大幅に向上する。whisper.xcframework をビルドする際に Metal を有効にするだけでよい。

llama.cpp の統合

Q4 量子化モデルを使用。推論は Swift の actor で管理し、トークンのストリーミング出力は SwiftUI の過剰な再描画を防ぐため 250ms のスロットリングをかけている。

対応プロトコル・機能

SIP: UDP / TCP / TLS、複数アカウント
メディア暗号化: DTLS-SRTP / SDES / ZRTP
NAT 越え: STUN / TURN
映像: H.264（VideoToolbox ハードウェアエンコード）、PiP、前後カメラ切り替え、DTMF
AI: Whisper リアルタイム転写、llama.cpp 通話要約（全てデバイス上、クラウド送信なし）
その他: iCloud バックアップ、Apple Watch 連携、ホーム画面ウィジェット、8 言語対応

おわりに
baresip は C の世界、SwiftUI は Swift の世界。この 2 つを Objective-C++ で繋ぎ、さらに whisper.cpp と llama.cpp も加えるのは、思ったより複雑だったが面白かった。

SIP や CallKit の統合について質問があればコメントで気軽にどうぞ。

App Store: https://apps.apple.com/us/app/yak-ai-sip-phone/id6763033863
サイト: https://app.yakteam.com

閩南語（ミンナン語）を話す開発者、林エミンでした。