过去这段时间，我在研究一项让AI帮助普通【本文受版权保护】【原创内容，转载请注明出处】人靠近诗和远方的应用实现，在这个项目中，未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。我构想了一位AI伴侣，以视频聊天的形式，本文版权归作者所有，未经授权不得转载。本文版权归作者所有，未经授权不得转载。向由于时间和金钱不足没法踏上旅程的青年，【关注微信公众号：wwwtangshuangnet】【本文受版权保护】展示了日本知名景区富士山的场景。实现一位【原创内容，转载请注明出处】【关注微信公众号：wwwtangshuangnet】AI导游伴侣，不仅需要有能以自然人的身份著作权归作者所有，禁止商业用途转载。【作者：唐霜】与用户交流的能力，还要有能学习景区资料、【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。旅游路线、酒店机票等等攻略的能力，更进一【未经授权禁止转载】未经授权，禁止复制转载。步还要有通过生成视频全方位展示景区的能力著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】，并且作为旅游应用，它还需要在自然人和科未经授权，禁止复制转载。【访问 www.tangshuang.net 获取更多精彩内容】普视频两种身份之间做无缝切换。这是一项庞【原创内容，转载请注明出处】【未经授权禁止转载】大的工程，我的任务除了要在技术上实现它以著作权归作者所有，禁止商业用途转载。【本文受版权保护】外，还要从成本的角度，在技术实现时以最低【转载请注明来源】【版权所有，侵权必究】的价格（或许要在某些方面退而求其次），让本文版权归作者所有，未经授权不得转载。本文作者：唐霜，转载请注明出处。更多的人能够拥有它。一篇文章无法完全讲解【本文首发于唐霜的博客】【访问 www.tangshuang.net 获取更多精彩内容】透彻，本文我将着重在AI的“听”和“说”【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】两个方面，从应用开发者进行技术选型追求便未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。宜的角度，聊一聊我的一些经验。
著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】【关注微信公众号：wwwtangshuangnet】LLM扮演“大脑”的角色【版权所有，侵权必究】
【转载请注明来源】【版权所有】唐霜 www.tangshuang.net【本文受版权保护】本文版权归作者所有，未经授权不得转载。过去两年，我们见证了LLM的疯狂崛起。由【作者：唐霜】【本文受版权保护】ChatGPT开启的大门，让普通人也能便本文版权归作者所有，未经授权不得转载。【原创内容，转载请注明出处】捷便宜的享用AI。LLM优秀的灵活的推理【版权所有】唐霜 www.tangshuang.net本文版权归作者所有，未经授权不得转载。能力，让我们可以在我们自己的大脑外，外挂著作权归作者所有，禁止商业用途转载。【版权所有，侵权必究】一个“体外大脑”。随着LLM厂商们的迭代【关注微信公众号：wwwtangshuangnet】【关注微信公众号：wwwtangshuangnet】，这些“外挂大脑”的智商越来越高，甚至在原创内容，盗版必究。【本文受版权保护】某些具体方面超出了博士水平。这也就意味着【未经授权禁止转载】【本文首发于唐霜的博客】，普通人可以借助AI，完成超出自己智商水【作者：唐霜】【关注微信公众号：wwwtangshuangnet】平的工作。这就像，我们可以借助外挂，在物【本文受版权保护】原创内容，盗版必究。理上超越人类极限一样，用挖机移山，用吊车【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。盘石，用沙船填海……就像机械设备在体力上【版权所有，侵权必究】著作权归作者所有，禁止商业用途转载。无限放大人的能力一样，AI在脑力上极大的本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】突破了人的思考和认知极限。
本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.net原创内容，盗版必究。本文作者：唐霜，转载请注明出处。学会使用LLM是未来学习、工作、生活的必【原创内容，转载请注明出处】原创内容，盗版必究。备技能，因为一旦别人都会用，而你不会用，【未经授权禁止转载】【版权所有，侵权必究】在智力上就会被碾压。虽然，各大厂商们，特转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。别是OpenAI正在尝试将AI的使用难道【版权所有】唐霜 www.tangshuang.net【本文首发于唐霜的博客】降到最低，试图把AI演变为一个万能的聊天【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。机器人，一个人工助理。然而，即使到了今天【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】，AI似乎还是能力有限，使用方式也并不那【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】么自然。因此，现阶段，“使用LLM”这个【原创内容，转载请注明出处】【未经授权禁止转载】看上去很简单的事情，实际上却比较复杂，大【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。部分人都没有通过学习以掌握激发AI全部潜【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。力的知识技能。类似Prompt工程这样的本文作者：唐霜，转载请注明出处。本文版权归作者所有，未经授权不得转载。学问显得尤为重要，因为它提供了激发AI潜【本文首发于唐霜的博客】转载请注明出处：www.tangshuang.net力的成体系方法论，掌握该知识的人，在实际【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。工作中，将远超普通人。
【原创内容，转载请注明出处】【未经授权禁止转载】本文作者：唐霜，转载请注明出处。【作者：唐霜】【本文受版权保护】虽然我们还无法不费吹灰之力地使用LLM，【未经授权禁止转载】本文作者：唐霜，转载请注明出处。但是，在智力上，LLM仍然在快速成长，成本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。为超越普通人的智能资源，这意味着等到我们【原创内容，转载请注明出处】【作者：唐霜】遇到超出自己智力范围的需求时，可以现学现【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】用或请教熟练使用LLM的人，以解决我们的著作权归作者所有，禁止商业用途转载。【关注微信公众号：wwwtangshuangnet】核心问题。
【作者：唐霜】【本文首发于唐霜的博客】【关注微信公众号：wwwtangshuangnet】在开发所有产品时，我们都应该为该产品提供【转载请注明来源】【本文首发于唐霜的博客】一个“大脑”，而毫无疑问，这个“大脑”的【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】角色由LLM来扮演。就当下的科技产品而言未经授权，禁止复制转载。【本文受版权保护】，缺乏“大脑”的产品显得枯燥，同时也无法转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】满足复杂多变的用户需求。过往，我们设计一【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】款产品，制订好产品的使用规则，并“教育”【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。用户如何使用它。而现在，我们设计一款产品【本文首发于唐霜的博客】未经授权，禁止复制转载。，有用户来决定如何使用，产品只在最后承接本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。用户的真正需求。这种转变，就像过去web【关注微信公众号：wwwtangshuangnet】【版权所有，侵权必究】1.0用户被动接受信息到web2.0用户本文版权归作者所有，未经授权不得转载。【访问 www.tangshuang.net 获取更多精彩内容】主动生产信息的转变一样，会在用户体验和人【版权所有】唐霜 www.tangshuang.net【作者：唐霜】机交互形式上，带来重大变革。作为技术产品【原创不易，请尊重版权】本文版权归作者所有，未经授权不得转载。的创业者，我们更多的是思考，这种变革的目本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。的地形态，并为每一种想法提供产品以对该想【原创内容，转载请注明出处】【本文首发于唐霜的博客】法进行验证。
【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】本文版权归作者所有，未经授权不得转载。另外，由于各家厂商的LLM的智力水平不同【转载请注明来源】原创内容，盗版必究。，同时受到内容审查的影响，我们面临着LL【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。M也分“三六九等”的问题。等级越高，能提【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】供的智力水平越高，当然，价格也就更贵。一【转载请注明来源】原创内容，盗版必究。旦价格超出普通人的承受范围，那么这种高级本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】智力就会成为有钱人的专属，并最后形成智力未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net特权，把真实的人也分“三六九等”。所以，【作者：唐霜】本文作者：唐霜，转载请注明出处。无门槛的普惠性AI智能服务显得尤为重要，【本文受版权保护】【版权所有】唐霜 www.tangshuang.net当然，就商业本身而言，没有利润就无法生存转载请注明出处：www.tangshuang.net【未经授权禁止转载】，这种矛盾需要在资本市场寻找创新来解决。【访问 www.tangshuang.net 获取更多精彩内容】【访问 www.tangshuang.net 获取更多精彩内容】而作为整个链路中小小的一环节，我们作为创【转载请注明来源】本文版权归作者所有，未经授权不得转载。业者，尽可能的平价提供服务，以无愧于心。
未经授权，禁止复制转载。【版权所有，侵权必究】【原创内容，转载请注明出处】任何一款产品，无论是以应用的形态，还是以【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net服务的形态，还是以插件的形态，我们可以标本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。榜它就是一款AI产品，也可以不标榜它的A【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。I属性，而是更垂直的解决用户需求，只不过著作权归作者所有，禁止商业用途转载。【本文受版权保护】背后的技术解决方案是基于AI的。有了AI原创内容，盗版必究。【本文首发于唐霜的博客】作为产品“大脑”，我们可以让产品更灵活，【原创内容，转载请注明出处】【原创内容，转载请注明出处】更适配用户的需求。举个例子，以前用户只能未经授权，禁止复制转载。【版权所有】唐霜 www.tangshuang.net提供结构化的数据来该一个绘图工具绘制图表本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】，而现在，基于LLM，用户可以提供原始材著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】料，并让AI制作出同一数据的不同图表，或原创内容，盗版必究。转载请注明出处：www.tangshuang.net者一次性给出多个图表，以前那种结构化数据原创内容，盗版必究。【版权所有】唐霜 www.tangshuang.net的产品形态，必须有开发人员提供特定界面来本文作者：唐霜，转载请注明出处。本文版权归作者所有，未经授权不得转载。控制用户输入的是结构化数据，在数据传输过本文版权归作者所有，未经授权不得转载。未经授权，禁止复制转载。程中也要保持该数据结构，直至最终消费数据【原创内容，转载请注明出处】【原创不易，请尊重版权】为固定的图表进行输出，但在新的技术方案中【原创不易，请尊重版权】【未经授权禁止转载】，用户可以输入任意的数据源，而输出也不局【版权所有，侵权必究】本文版权归作者所有，未经授权不得转载。限于单一的图表。
【版权所有，侵权必究】转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net【版权所有，侵权必究】本文版权归作者所有，未经授权不得转载。也正是这种输入输出的灵活度，让我们的产品未经授权，禁止复制转载。【转载请注明来源】形态可以发生变化，从以往呆板的必须按固定【原创不易，请尊重版权】转载请注明出处：www.tangshuang.net规则使用的产品形态，逐渐向随意的灵活的立原创内容，盗版必究。【未经授权禁止转载】体的产品形态演进，这种演进不是在原来的形【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】态基础上做增益，而是突然来到一个新维度，【本文受版权保护】本文作者：唐霜，转载请注明出处。提供以往从未有过的形式。例如，以前的游戏【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。地图、剧情、人物、主线是固定的，而在AI【原创不易，请尊重版权】【作者：唐霜】的加持下，这些元素都可以是动态的，可以根【原创内容，转载请注明出处】【作者：唐霜】据用户游玩游戏的过程，实时生成新地图、新著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】剧情等。这种影响，目前来说，主要集中在A本文版权归作者所有，未经授权不得转载。本文作者：唐霜，转载请注明出处。IGC领域，诸如影视创作、图书出版、漫画【原创内容，转载请注明出处】【原创不易，请尊重版权】、短视频等等，都将出现整体作品范式的演进【本文受版权保护】著作权归作者所有，禁止商业用途转载。。
本文版权归作者所有，未经授权不得转载。【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。【作者：唐霜】【原创不易，请尊重版权】让AI开口说话【原创不易，请尊重版权】
本文版权归作者所有，未经授权不得转载。【未经授权禁止转载】转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】当我们尝试为用户提供更丰富的体验时，首先本文作者：唐霜，转载请注明出处。原创内容，盗版必究。我们要为AI增加嘴巴，因为只有让AI开口【本文受版权保护】【本文首发于唐霜的博客】说话，才能解放我们的眼睛，提供更多的感官【未经授权禁止转载】【访问 www.tangshuang.net 获取更多精彩内容】刺激。虽然，视觉接受信息的速率和效率都远【关注微信公众号：wwwtangshuangnet】【访问 www.tangshuang.net 获取更多精彩内容】高于听觉，然而听觉可以让用户的注意力更集中、提供比视觉【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net更丰富的情感价值、提升用户的反馈比率，多未经授权，禁止复制转载。【版权所有，侵权必究】重感官的交互能加深用户的记忆，这也是为什么类似B站、抖音这样的视频应【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】用能如此受追捧的原因之一。
【原创不易，请尊重版权】未经授权，禁止复制转载。未经授权，禁止复制转载。【原创不易，请尊重版权】而最近两年，播客突然在数据上呈现出新风口【作者：唐霜】著作权归作者所有，禁止商业用途转载。的趋势，作为fm形态的产品，已经存在30【转载请注明来源】原创内容，盗版必究。来年，我在小学的时候，就可以通过网络点播转载请注明出处：www.tangshuang.net原创内容，盗版必究。独立播音节目，为何经久不衰呢？我想其中的原创内容，盗版必究。本文作者：唐霜，转载请注明出处。原因比较复杂，除了社会压力越来越大人们需【未经授权禁止转载】【原创内容，转载请注明出处】要更广泛的娱乐形态之外，声音这种独特的信著作权归作者所有，禁止商业用途转载。【版权所有】唐霜 www.tangshuang.net息传播形式固有的魅力也是致其随时可能迎来未经授权，禁止复制转载。【版权所有】唐霜 www.tangshuang.net新增长的原因。当下，智能电车正在逐渐取代【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】传统油车，而汽车的普及让越来越多的人越来【转载请注明来源】【关注微信公众号：wwwtangshuangnet】越多的时间是在路途中度过，特别是单身人士【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。，在完全解放双手的全自动驾驶出现之前，在【本文首发于唐霜的博客】【版权所有，侵权必究】这漫长的旅途中，声音形态的产品，则容易被【关注微信公众号：wwwtangshuangnet】本文版权归作者所有，未经授权不得转载。接纳。一旦这些产品可以提供足够的情绪价值转载请注明出处：www.tangshuang.net未经授权，禁止复制转载。，那么，在行车之外的时间，它们也可以作为【版权所有】唐霜 www.tangshuang.net【本文首发于唐霜的博客】个人独处时，不想或不方便接受视觉信息，就【本文受版权保护】【版权所有】唐霜 www.tangshuang.net是最佳的选择。
【版权所有，侵权必究】【作者：唐霜】【原创内容，转载请注明出处】【未经授权禁止转载】因此，单独以声音作为产品形态的产品，虽然【版权所有】唐霜 www.tangshuang.net原创内容，盗版必究。不太可能像短视频平台一样，获得如此广泛的【原创不易，请尊重版权】【未经授权禁止转载】用户量，但是，却仍然可以在独特的赛道上，未经授权，禁止复制转载。【关注微信公众号：wwwtangshuangnet】持续增长。当然，在增长时，高净值用户比比【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。纯粹的用户量增长更有意义，这也是为什么我【访问 www.tangshuang.net 获取更多精彩内容】本文作者：唐霜，转载请注明出处。认为即使是声音产品，其本质还是内容为王，【版权所有，侵权必究】【原创内容，转载请注明出处】同时，内容为王的前提是内容免费+有效的盈【未经授权禁止转载】转载请注明出处：www.tangshuang.net利渠道，比较鲜有为一段声音付费的用户，特【本文受版权保护】原创内容，盗版必究。别是在这个AI时代，本身声音已经自由。
未经授权，禁止复制转载。【原创不易，请尊重版权】【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】原创内容，盗版必究。Meta最近发布了他们的新产品，基于ll【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。ama来做播客，他们通过agent技术，本文版权归作者所有，未经授权不得转载。【作者：唐霜】实现了剧本的创作->脚本的编写-&【版权所有】唐霜 www.tangshuang.net原创内容，盗版必究。gt;内容输出->文本到语言的输出未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net->剪辑的全流程，只要你有一个好点本文版权归作者所有，未经授权不得转载。【原创内容，转载请注明出处】子，搭配有一个懂活的AI，就可以做出一节【转载请注明来源】【版权所有，侵权必究】优质播客。随着AI对播客的入侵，未来播客【访问 www.tangshuang.net 获取更多精彩内容】本文版权归作者所有，未经授权不得转载。的粗制滥造也会越来越多，因此，我说播客本本文作者：唐霜，转载请注明出处。【未经授权禁止转载】质上还是一门关于内容的生意，只有优质的内【关注微信公众号：wwwtangshuangnet】本文版权归作者所有，未经授权不得转载。容，才能真正吸引回头客。然而，作为小小创【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。业者，我现在多了一个认知，“苍蝇专叮有缝转载请注明出处：www.tangshuang.net未经授权，禁止复制转载。的蛋”，“再小的肉它也是肉”，专做长尾，本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。以量取胜，虽然从健康生态的角度讲这种做法本文版权归作者所有，未经授权不得转载。【访问 www.tangshuang.net 获取更多精彩内容】并不可取，但是对于资源不足资金不裕的创业未经授权，禁止复制转载。【关注微信公众号：wwwtangshuangnet】者而言，“我不入地狱谁入地狱”？
原创内容，盗版必究。【原创不易，请尊重版权】著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net给LLM的输出内容加语音，这听上去是件极本文作者：唐霜，转载请注明出处。本文版权归作者所有，未经授权不得转载。其简单的事，因为TTS技术已经成熟一二十【未经授权禁止转载】【未经授权禁止转载】年了。然而，既然如此简单，为什么“语音通【作者：唐霜】著作权归作者所有，禁止商业用途转载。话”功能没有成为烂大街的功能呢？据我所知【本文受版权保护】【关注微信公众号：wwwtangshuangnet】，直到最近，国内各家LLM厂商，才开始陆本文作者：唐霜，转载请注明出处。【作者：唐霜】续在自己的App中增加了这种能力，即使如【未经授权禁止转载】【原创不易，请尊重版权】此，这种交互的国内鼻祖“豆包”App，也原创内容，盗版必究。原创内容，盗版必究。无法做到丝滑流畅纯自然。这里面还是有很多【关注微信公众号：wwwtangshuangnet】【作者：唐霜】技术细节有待进一步加强，LLM的toke【本文受版权保护】【本文受版权保护】ns生成方式，迫使TTS无法实时的根据上【作者：唐霜】本文作者：唐霜，转载请注明出处。下文来理解，因此也就无法给出对应的情绪和【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。语气，甚至连多音字都可能识别错误。这都还著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】是比较难解决的，即便是端对端实时语音输出转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net，我相信也能难倒一大堆程序员。因此，看上【转载请注明来源】【版权所有】唐霜 www.tangshuang.net去稀松平常的一些能力，实际在背后有非常多【作者：唐霜】【原创内容，转载请注明出处】技术的挑战和决策。作为过来人，在这种情况著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。下，我往往觉得，我们显得很渺小，我们的目【原创内容，转载请注明出处】【版权所有，侵权必究】标总是星辰大海，但是总是在如何给漏气的轮【版权所有】唐霜 www.tangshuang.net【关注微信公众号：wwwtangshuangnet】胎补胎这样的小事上没有太多进展。我们希望【作者：唐霜】本文版权归作者所有，未经授权不得转载。创造出充满科技感的AI产品，但是在跨出的【版权所有】唐霜 www.tangshuang.net【本文受版权保护】第一步，就遭遇技术上的滑铁卢，需要花大力原创内容，盗版必究。转载请注明出处：www.tangshuang.net气才能解决，此时，已经落后别人一万步。中【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】国需要有更多的技术平台，为开发者提供简洁【转载请注明来源】【原创内容，转载请注明出处】的一步到位的技术支撑，让开发者可以忽略这【版权所有】唐霜 www.tangshuang.net【本文受版权保护】些初始的技术问题，可以直接做上母舰，先去【版权所有，侵权必究】著作权归作者所有，禁止商业用途转载。到星辰大海，再来点火起航。于是，我搞了一本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】个Developround未经授权，禁止复制转载。社区，专门提供服务接口，让开发者可以在技【版权所有，侵权必究】【未经授权禁止转载】术上几乎无门槛的使用这些技术。
著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。【未经授权禁止转载】转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。一旦有了可选择的服务，我们让LLM开口说【原创不易，请尊重版权】【本文受版权保护】话就是技术集成的问题。到了这一步，我又开未经授权，禁止复制转载。【版权所有，侵权必究】始要讲我的另外一个观点，“凡是能白嫖的，原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。必须疯狂白嫖”。本质上，我们就是要用最便【原创不易，请尊重版权】转载请注明出处：www.tangshuang.net宜的成本，实现还过得去的效果，除非我们对【本文受版权保护】【原创内容，转载请注明出处】效果的要求，超出用户的本质需求。作为技术【原创不易，请尊重版权】【本文受版权保护】出身的创业者，更加关注成本，比较我们的职原创内容，盗版必究。【未经授权禁止转载】业生涯中，没有一分钱是大风刮来的，都是用【关注微信公众号：wwwtangshuangnet】本文版权归作者所有，未经授权不得转载。头顶的猿毛一根根换来的，因此，在创业初期【原创不易，请尊重版权】未经授权，禁止复制转载。，但凡能用免费的服务，我们都不需要多看收【版权所有，侵权必究】未经授权，禁止复制转载。费服务一秒钟；但凡能自己用技术解决的，我【访问 www.tangshuang.net 获取更多精彩内容】本文版权归作者所有，未经授权不得转载。们都不会登录SaaS服务厂商网站一次。控【版权所有】唐霜 www.tangshuang.net【本文首发于唐霜的博客】制成本的背后逻辑，实际上是想为用户提供无本文版权归作者所有，未经授权不得转载。【转载请注明来源】限量无限制的使用，一旦功能有多余的成本，【转载请注明来源】未经授权，禁止复制转载。那么就必须考虑成本如何赚回来的问题，那么本文版权归作者所有，未经授权不得转载。本文版权归作者所有，未经授权不得转载。就一定是用户有损的，而作为创业者，我们往本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.net往希望自己的产品是用户无损的，通过这种情本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】感共鸣来让用户心甘情愿的为价值买单。
原创内容，盗版必究。本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net【关注微信公众号：wwwtangshuangnet】让AI听懂听见本文作者：唐霜，转载请注明出处。
【未经授权禁止转载】【本文首发于唐霜的博客】【访问 www.tangshuang.net 获取更多精彩内容】这里的标题，“听懂”在“听见”前面，意思本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】是“听见”比“听懂”更难。
【本文受版权保护】【原创不易，请尊重版权】【版权所有】唐霜 www.tangshuang.net做一款能听懂用户在说什么的AI产品，构想【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。起来并不复杂，即通过端侧录音用户的说话，【原创不易，请尊重版权】【本文受版权保护】发送到后端进行ASR，将识别文本交给LL【转载请注明来源】原创内容，盗版必究。M响应，再将响应的文本交给TTS生成语音【版权所有】唐霜 www.tangshuang.net【作者：唐霜】，最后把语音发送给端侧播放给用户听，形成【转载请注明来源】著作权归作者所有，禁止商业用途转载。表象上无文本的对话交互形式。但是，但凡有【作者：唐霜】【本文受版权保护】点心智的朋友，都会发现这里面的大问题，就【版权所有】唐霜 www.tangshuang.net本文版权归作者所有，未经授权不得转载。是响应速度，从用户说话到提交要时间，如果原创内容，盗版必究。本文作者：唐霜，转载请注明出处。用户说的久，则网络的传输也更久，在到后端【本文首发于唐霜的博客】【版权所有，侵权必究】各种识别、响应、生成，再经过一次网络传输本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】，都是时间，响应时间越久，产品就显得越呆【本文受版权保护】【原创不易，请尊重版权】滞，这种呆呆的效果，显得AI都不那么智能未经授权，禁止复制转载。【未经授权禁止转载】。
著作权归作者所有，禁止商业用途转载。本文版权归作者所有，未经授权不得转载。【未经授权禁止转载】【原创内容，转载请注明出处】【未经授权禁止转载】解决这一问题的办法，成本最低的，就是“流原创内容，盗版必究。【原创内容，转载请注明出处】式”，声音的流式传输和流式生成，用户一边著作权归作者所有，禁止商业用途转载。【版权所有，侵权必究】说话，一边传输，一边让LLM理解，一边生转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】成文本，一边生成语音，这一系列的技术方案未经授权，禁止复制转载。原创内容，盗版必究。，每一道工序都能难住大部分程序员。比如，著作权归作者所有，禁止商业用途转载。【版权所有】唐霜 www.tangshuang.net用户开启录音，实时的将声音片段上载，这里【本文受版权保护】【转载请注明来源】“实时”的上载往往是buffer，但是，著作权归作者所有，禁止商业用途转载。【转载请注明来源】我们都知道，声音有采样率、声道等参数，还著作权归作者所有，禁止商业用途转载。著作权归作者所有，禁止商业用途转载。有封装格式，每一种都可能带来解析失败。还本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】有就是，在网络协议上，到底是选择webs转载请注明出处：www.tangshuang.net【本文受版权保护】ocket还是http stream，也本文版权归作者所有，未经授权不得转载。未经授权，禁止复制转载。是很纠结。总之，看似一马平川的方案，实则本文作者：唐霜，转载请注明出处。【作者：唐霜】满地都是坑坑洼洼。当然，还有一种从架构层【未经授权禁止转载】转载请注明出处：www.tangshuang.net面去解决，把整个服务都搬到端侧上，或者调【作者：唐霜】未经授权，禁止复制转载。用手机本身的语言识别接口和TTS接口，在【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】应用内嵌入小模型。
未经授权，禁止复制转载。【本文受版权保护】本文作者：唐霜，转载请注明出处。原创内容，盗版必究。而OpenAI刚刚发布了最新模型gpt-本文作者：唐霜，转载请注明出处。【本文受版权保护】4-audio，做到了端到端的语音理解和【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。生成，同时，它还可以做到实时的理解，甚至未经授权，禁止复制转载。【关注微信公众号：wwwtangshuangnet】有打断说话人的效果（我理解这种效果本质上未经授权，禁止复制转载。【原创内容，转载请注明出处】是缺陷，消耗的资源也更大），也就是说，他【原创内容，转载请注明出处】转载请注明出处：www.tangshuang.net们从底层模型的角度解决这一问题，从而免去【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】了ASR->LLM-TTS的流程，本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.net再配合上端到端的流式音频传输，就可以极大【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。的降低延迟，给大模型留出更多的思考时间。
【作者：唐霜】【作者：唐霜】【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。除了听懂用户在说什么，“听见”有时也更温转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。馨。例如用户处于嘈杂的车流环境，如果AI【原创不易，请尊重版权】【转载请注明来源】能听懂，那么就可以提供更贴切的情绪陪伴。
著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.net 获取更多精彩内容】本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。原创内容，盗版必究。另外，如果是一款垂类的产品，如何巧妙自然本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。的将能说会道的AI嵌入到产品中，甚至整个【作者：唐霜】【未经授权禁止转载】产品的逻辑都是围绕AI来展开，就是很难的【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net事。本质上而言，上述过程只是一种体验上的【转载请注明来源】转载请注明出处：www.tangshuang.net切换，它在信息的总量上与打字读字没有区别【版权所有】唐霜 www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】。既然如此，打字读字明显具有更低的成本，转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】除了跟风一定要强上语音对话能力，我找不出未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。其他理由。因此，我想，在产品设计时，我们【本文受版权保护】【版权所有，侵权必究】需要考虑的事，我们的产品是引入AI作为辅【版权所有，侵权必究】【作者：唐霜】助，还是围绕AI实现用户价值？如果是前者【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】，我想确实是没有必要选择高成本的体验。但【原创内容，转载请注明出处】未经授权，禁止复制转载。如果是围绕AI来实现用户价值，则情况完全【未经授权禁止转载】【本文首发于唐霜的博客】不同，例如AI陪伴类的产品，不仅要有对话原创内容，盗版必究。【本文受版权保护】的能力，而且在声音的训练上也要下足功夫，【未经授权禁止转载】【原创不易，请尊重版权】因为这种场景下，用户需要更多的是陪伴感，转载请注明出处：www.tangshuang.net【作者：唐霜】追求的是产品的体验本身，而非内容的价值。
【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。【本文受版权保护】本文版权归作者所有，未经授权不得转载。结语原创内容，盗版必究。
【原创不易，请尊重版权】【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。本文主要聊了聊我在AI类产品中加入语音对未经授权，禁止复制转载。【原创不易，请尊重版权】话能力的一些思考，认为这一能力看上去简单【本文首发于唐霜的博客】【本文受版权保护】，实则在技术上有很多细节，成本比较大，对本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net于创业者而言，应该把成本作为一项重要考虑【未经授权禁止转载】原创内容，盗版必究。因素。同时，作为在这类功能上有经验的技术【本文受版权保护】本文作者：唐霜，转载请注明出处。人，我认为随着AI产品的发展，一些较为常【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。见的体验类功能，会慢慢成为基础功能，在所【原创内容，转载请注明出处】【未经授权禁止转载】有产品中被集成。发现这点后，我也创建了自未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net己的developround平台。从未来【关注微信公众号：wwwtangshuangnet】著作权归作者所有，禁止商业用途转载。AI的应用来看，AIGC只是其中的一个方【原创内容，转载请注明出处】本文版权归作者所有，未经授权不得转载。向，而且是向虚的，人们对内容的消费主要还本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。是娱乐的，而追求娱乐，必然存在更为吸引人【本文受版权保护】【作者：唐霜】的交互形态。我也将在这样的道路上不断探索转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】，如果你对本文的内容感兴趣，不妨在下方留【本文受版权保护】【原创内容，转载请注明出处】言，一起讨论。
原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。【作者：唐霜】【版权所有，侵权必究】
