Middleware SIP Development to Detect and Cut Voicemail Calls

@sufyanasmat38

Hola, este es un proyecto interesante de AMD (Answering Machine Detection) en tiempo real — factible con la arquitectura correcta. Arquitectura propuesta: FreeSWITCH (o Kamailio + RTPengine) para interceptar la señalización SIP y el flujo RTP en ambos escenarios (Early Media 183 y post-200 OK), con un servicio independiente en Python/Go que analiza el audio en tiempo real. La detección combinaría: análisis de patrones temporales (duración típica de saludo de buzón, silencios característicos), detección de tono/beep, y un clasificador de Voice Activity Detection para distinguir habla humana natural de mensajes grabados — reduciendo falsos positivos mediante un umbral de confianza ajustable, no una decisión binaria simple. Al confirmarse buzón, el middleware envía BYE/CANCEL automáticamente según el estado de la sesión SIP. Entregables: código fuente completo, documentación de instalación/configuración, guía de integración, scripts Docker, y pruebas funcionales con casos reales. Tiempo estimado: 3-4 semanas para la arquitectura base + ajuste de precisión. Encantado de detallar la estrategia de detección exacta y el presupuesto una vez confirmemos volumen de llamadas esperado.

@jcrbahia

El reto real aquí está en cubrir ambos escenarios: buzón detectado en Early Media (183 Session Progress) y buzón detectado tras el 200 OK, cuando ya corre la facturación. - Arquitectura basada en RTPengine para interceptar y forkear el RTP hacia un servicio Python de análisis en tiempo real, con Kamailio u OpenSIPS controlando la señalización SIP y ejecutando el BYE/CANCEL inmediato al confirmar buzón. - Detección híbrida: VAD para patrones de silencio/tono característicos más un clasificador ligero de audio ajustado a grabaciones de contestador, priorizando baja latencia sobre exhaustividad en los primeros segundos de audio. - ¿Disponen ya de un dataset propio de grabaciones (buzón vs. persona real) de su tráfico? Sin eso, calibrar el umbral de falsos positivos a ciegas es el mayor riesgo técnico del proyecto. Entrego en 3 semanas exactas: código fuente, documentación de instalación y configuración, scripts Docker y pruebas funcionales. Toma esta cifra como una referencia inicial y orientativa para el alcance descrito, no como precio definitivo; confirmaremos el número exacto al concretar el dataset y la infraestructura actual. Propongo una llamada breve aquí en Freelancer para repasar esos puntos, y con gusto comparto portfolio relevante desde mi perfil.

@mayr81

Desarrollo un middleware VoIP/SIP para Answering Machine Detection (AMD) orientado a cortar llamadas a buzón de voz antes de que acumulen facturación, con cobertura para Early Media (183 Session Progress) y llamadas ya establecidas (tras 200 OK). Arquitectura propuesta: un SIP proxy/softswitch (p. ej., Kamailio/OpenSIPS o FreeSWITCH según tu stack) que intercepte INVITE/200/ACK, enrute el RTP hacia un media path controlado (RTPengine/Media Proxy) y ejecute un pipeline de detección en tiempo real. Para Early Media analizaré el audio que aparece en el 183 (cuando existe) y dispararé hangup inmediato al confirmar patrones de contestadora. Para post-200 OK aplicaré la misma lógica sobre la ventana de audio apenas inicie la locución. Estrategia anti-falsos positivos: umbrales dinámicos + segmentación de voz, verificación de “silence/IVR greetings” y consistencia temporal; opcionalmente integración con VAD/ML si aporta ganancia medible sobre tu tasa de error objetivo. Entregables: código completo, Docker/scripts, documentación de instalación/configuración, guía de integración, y pruebas funcionales con trazas SIP/RTP y casos de borde.

@edwarddzi8f

I can help you with building the SIP middleware to detect and cut voicemail calls. I've worked with FreeSWITCH and RTPengine on high-volume VoIP setups, and the key here is a solid AMD algorithm that handles both Early Media and post-200 OK scenarios without false positives on live calls. For the architecture, I'd go with a media proxy approach using RTPengine in B2BUA mode, feeding audio into a detection engine that combines Voice Activity Detection with pattern matching. That keeps it scalable and avoids touching your existing switching logic. I'm Edward, and I've built similar audio analysis tools before. Happy to chat more about the detection strategy and how I'd structure the deployment with Docker.

@SkillCrafts

I understand you need a SIP middleware to automatically detect and terminate voicemail calls. My experience developing real-time call control systems, including features for intelligent call routing and anomaly detection, makes me well-suited to tackle this challenge efficiently. I've successfully implemented logic to differentiate between human and automated responses in similar VoIP applications, ensuring accurate detection. My approach will involve building a robust SIP proxy or user agent using a language like Python with the `pjsip` or `kamailio` libraries. I'll analyze incoming SIP INVITE requests and subsequent responses, focusing on `183 Session Progress` with audio payloads (Early Media) and the presence of voicemail greetings post-`200 OK`. This analysis will include examining SDP for audio streams and potentially implementing basic audio fingerprinting or tone detection to identify voicemail signatures. The system will then issue a `BYE` request to terminate the call as soon as a voicemail is detected. How do you envision the integration of this middleware into your existing SIP infrastructure? Are there specific SIP headers or message patterns you've observed that commonly indicate a voicemail prompt? I'm eager to discuss your technical environment and finalize a precise implementation plan. Let's schedule a brief call at your convenience.

@jonasdedzo

Hello, your project requires more than a simple answering machine detector; it needs a carefully designed real-time SIP intelligence layer that can recognize voicemail behavior without impacting legitimate human calls. I can build this middleware using a suitable architecture with SIP interception, RTP stream handling, and audio classification logic. The implementation can support scenarios before 200 OK through Early Media as well as post-answer detection after call establishment. I will evaluate the best combination of Asterisk, FreeSWITCH, Kamailio/OpenSIPS, RTP processing, and AI-based detection depending on your current infrastructure. My goal is to deliver a scalable and maintainable solution with accurate detection, low latency, clear logs, and straightforward deployment. M1: Technical analysis, architecture proposal, and SIP environment setup M2: Core middleware development, audio detection engine, and testing M3: Accuracy improvements, documentation, Docker deployment, and final delivery Looking forward to work with you. Thanks

@Intelliglance786

Hello, I would be glad to develop your SIP middleware for real-time Answering Machine Detection (AMD), early media analysis, and automatic call termination to reduce voicemail termination costs. I have strong experience with VoIP architectures, SIP signaling, RTP processing, Asterisk/FreeSWITCH, Kamailio/OpenSIPS, media proxies, Docker deployments, and real-time audio processing pipelines. I will design a scalable architecture that intercepts SIP sessions, captures RTP streams, analyzes audio during both 183 Session Progress (Early Media) and post-200 OK states, and applies voice activity detection, speech pattern analysis, and AMD logic to accurately distinguish human answers from voicemail greetings. The solution can be implemented using FreeSWITCH/Kamailio with RTPengine or a custom Go/Python/C++ processing service integrated with ML-based audio classification where beneficial. I will deliver complete source code, deployment scripts, installation/configuration documentation, integration guidance, and functional testing. The detection strategy will be documented with accuracy considerations, latency targets, and methods to minimize false positives.

@arturg6

Hola, "Detección en Tiempo Real de Buzón" - cortar llamadas al buzón automáticamente. Usaré Asterisk con módulos de RTPengine para interceptar el flujo y aplicar análisis de energía y un modelo ligero de ML que identifica patrones de mensaje de voz. Ya implementé una solución similar de procesamiento de audio en tiempo real con Python y API: https://www.freelancer.com/projects/automation/Automate-Reolink-Video-Backup-Script/reviews. El diseño manejará tanto Early Media (183 Session Progress) como llamadas ya establecidas (200 OK), evitando falsos positivos mediante filtrado de voz humana. ¿Cuál es la precisión mínima que espera para la detección y en qué plataforma desea desplegar el middleware (Docker, Kamailio, etc.)? Quedo a la espera de trabajar con usted. Artur Giżycki