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