如果只想使用HTML5，则需要一个实现 HTML Media Capture
草稿（在此处可用）的浏览器，以便从麦克风访问原始数据。
一旦掌握了这些数据，就需要通过网络发送它。Websockets将是HTML5选项，以便与服务器具有足够快的往返行程（同时发送本地音频数据和接收远程音频数据）
既然您提到python，我建议您看看websockets的扭曲实现。
您可以让所有客户端使用一个callerID在websocket服务器上“注册”，因此服务器知道在哪里可以找到给定的callerID。
然后，您的服务器将需要一个“邀请” API，其中caller1“邀请” caller2。
呼叫建立后，每个客户端开始发送其音频数据，服务器将能够将该音频数据发送给另一方。
接收到音频数据后，浏览器可能需要使用HTML5音频标签在扬声器上播放此音频数据。
为此，您可能被迫使用“技巧”：您可能需要模拟2个“无限”文件，而不是让websocket服务器将原始音频数据转发到客户端，而是：
- caller1.wav：在caller1麦克风上捕获的声音
- caller2.wav：在caller2麦克风上捕获的声音
呼叫建立后，caller1浏览器会在audio.src属性中添加caller2.wav（通过websocket通知caller1该事件），并希望python服务器在接收到原始音频数据后将其添加到caller2.wav，它将开始播放。
这听起来像是很酷的原型，您将要破解！
祝你好运，
杰罗姆·瓦格纳（Jerome Wagner）
