招聘面试是一件很消耗人力的事：筛选阶段要一个个约时间、一个个聊，问题问得是否一致、评价标准是否统一，很大程度上取决于面试官当天的状态。Aural 想解决的就是这一段——它让 AI 来执行结构化面试：你描述面试目标，AI 生成问题和评估标准，候选人通过一个链接进入面试，AI 负责提问、追问和控场，结束后自动生成逐题评分和分析报告。它以 MIT 许可证开源，可以完全自托管。
Aural 是什么
Aural 是一个开源的 AI 面试与结构化评估平台，支持语音、文字和视频三种面试形式。它的定位不只是「AI 出题」，而是让 AI 完整执行一场访谈：根据候选人的回答实时调整对话、追问细节，最后输出结构化的评估结果。
代码托管在 GitHub，采用 MIT 许可证，技术栈是 Next.js 14 + TypeScript + Supabase（PostgreSQL），截至 2026 年 7 月有一百多个 Star，属于比较早期的开源项目。官方同时提供云端托管版本（aural-ai.com），不想自己部署的用户可以直接使用。
核心功能
用自然语言生成面试
创建面试时，你用自然语言描述目标（比如「招一名有三年经验的前端工程师，重点考察 React 和工程化能力」），AI 会生成完整的问题列表、评估标准和推荐设置；也可以用编辑器手动搭建。题型支持开放题、单选题、多选题、在线编程题和白板题。
语音、文字与视频面试
候选人通过分享链接进入面试，可以用语音、文字或视频的方式作答。AI 会根据回答实时调整对话——答得含糊的地方追问细节，答得充分的地方进入下一题，而不是机械地按脚本念题。上线前可以用候选人视角预览整场面试。
在线编程与白板
技术面试场景内置了 Monaco 编辑器（VS Code 同款编辑器内核）做在线编程题，以及 Excalidraw 白板做系统设计类题目，不需要另外开视频会议共享屏幕。
结构化评分报告
面试结束后自动生成分析报告：逐题评分、亮点、改进方向和整体总结。对招聘方来说，这意味着不同候选人是在同一套标准下被评估的，横向比较有依据。
防作弊机制
内置页面切换监控、外部粘贴拦截、多屏检测和完整性日志，用于远程笔试和初筛场景下的基本诚信保障。
模拟面试练习
除了招聘方视角，Aural 也提供候选人练习模式：语音模拟面试、实时反馈、参考答案和评分追踪，可以用来准备真实面试。
团队与开发者能力
支持组织、项目和基于角色的权限管理；提供带 OpenAPI 规范的完整 REST API，方便接入已有的招聘系统。界面内置中英文，本地化系统可扩展。
可插拔的大模型接入
模型层是可插拔的，支持 OpenAI、Gemini、Kimi、MiniMax 以及任何 OpenAI 兼容接口。这对国内用户比较友好——可以接入自己已有的模型服务，不被锁定在单一供应商上。
部署方式
Aural 支持完全自托管：需要 Node.js 18 以上环境，数据库使用 Supabase，本地开发和部署通过 Docker 启动 Supabase 服务，数据库迁移会自动应用。所有面试数据都留在自己的基础设施上，这对在意候选人数据合规的团队是关键差异。
不想折腾部署的话，官方云服务开箱即用，具体定价以官网为准。
谁适合用 Aural
招聘初筛量大的团队：把第一轮结构化筛选交给 AI 执行，统一提问和评分标准，人力集中在后面几轮。
在意数据合规的企业：候选人的面试录音、回答和评估数据敏感，自托管方案让这些数据不出自己的服务器。
准备面试的候选人：用模拟面试模式做语音练习，拿到逐题反馈和参考答案，比对着题库自问自答更接近真实场景。
做用户访谈或培训评估的团队：Aural 的定位是通用的结构化访谈平台，用户研究访谈、内部培训考核这类「按标准提问并记录评估」的场景同样适用。
价格
开源版本采用 MIT 许可证，免费商用，自托管没有授权费用，成本主要是服务器和大模型 API 的调用费。官方云服务的定价以 官网 当前信息为准。
局限
项目还早期：截至 2026 年 7 月，开源仓库的社区规模还小，生态和第三方资料不多，遇到问题主要靠官方文档和 Issue。
AI 面试的固有争议：AI 评分的公平性和准确性在行业内仍有讨论，评估结果适合作为参考和初筛依据，重要岗位的最终判断还是应该由人来做。
自托管有一定门槛：需要准备 Node.js、Docker/Supabase 环境和大模型 API Key，对完全没有技术背景的 HR 团队来说，直接用云服务更现实。
实际建议
先用云服务或本地跑通一个小流程再决定：拿一个真实岗位的 JD 生成一场面试，自己以候选人身份走完全程，看追问质量和报告颗粒度是否满足要求，再决定是否接入正式流程。
把 AI 面试放在初筛位置：让它替代的是「第一轮大量重复的标准化提问」，而不是终面判断；报告用来做横向比较和淘汰明显不匹配的候选人。
国内使用优先配置 OpenAI 兼容接口：接入 Kimi、MiniMax 或自己代理的模型服务，延迟和稳定性比直连海外接口好。
作为一个 MIT 开源、可自托管的 AI 面试平台，Aural 在「结构化评估 + 数据自主可控」这个组合上填补了一个空位。项目还年轻，但架构完整、文档清楚，值得招聘量大或者在意数据合规的团队关注。