OpenAI挤牙膏似的的12天发布会不断【版权所有，侵权必究】【本文首发于唐霜的博客】兑现之前给的demo，他们似乎今年一次性【作者：唐霜】【作者：唐霜】做了很多产品，在这年尾的时候像甩卖一样将【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】它们丢出来，有点眼花缭乱。在之前的一次发本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.net布会上，他们演示了和大模型实时视频通话功【未经授权禁止转载】【作者：唐霜】能，令人惊艳，但是该功能直到昨天才和公众【版权所有，侵权必究】【作者：唐霜】见面。那么这个功能到底有多难做呢？今天，转载请注明出处：www.tangshuang.net【版权所有，侵权必究】我就以一个技术人的视角，来聊一聊，我是如【转载请注明来源】【原创内容，转载请注明出处】何用前端技术，做出的一个类似的功能，而且【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。关键是，调用国内的免费模型接口，来了一个未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net彻底的0元购。

功能概览

当用户开启实时视频通话功能后，界面进入一【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。个类似摄像头拍摄的界面，LLM像有了眼睛【本文首发于唐霜的博客】【关注微信公众号：wwwtangshuangnet】一样，看到用户提供的画面，并根据用户的说【版权所有】唐霜 www.tangshuang.net【本文受版权保护】话内容和画面，做出实时反应。由于Open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.netAI实现了端到端模型，大模型可以直接接收【未经授权禁止转载】【原创不易，请尊重版权】视频输入，输出语音。但随之而来的就是成本【版权所有】唐霜 www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】高昂。那么，要做到0元购，应该怎么办呢？

首先，我们来拆解一下这个功能的核心是什么【版权所有，侵权必究】【未经授权禁止转载】。我认为主要是以下3点：

• 对视频进行理解 -> 本质上是对多本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。帧画面进行理解
【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。
• 对语音进行理解 -> 我们用ASR【访问 www.tangshuang.net 获取更多精彩内容】【原创内容，转载请注明出处】来替代，让大模型理解文本更直接
转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。
• 语音输出
【本文首发于唐霜的博客】【本文受版权保护】【版权所有，侵权必究】原创内容，盗版必究。

技术选型

让我们来分析技术上的可行性。

首先是视频。我们可以通过WebRTC接口【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。getUserMedia来获得摄像头画面【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】，再通过canvas来对视频进行截图，获【本文首发于唐霜的博客】【原创不易，请尊重版权】得画面帧。对画面进行理解，可以调用glm转载请注明出处：www.tangshuang.net原创内容，盗版必究。-4v-flash（免费），将理解后的结原创内容，盗版必究。【未经授权禁止转载】果保存下来备用。

其次是语音理解。我们可以通过Speech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。Recognition来在本地进行语音识本文版权归作者所有，未经授权不得转载。【本文受版权保护】别，然而它只有谷歌支持，只能在chrom【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】e中使用，且需要连到谷歌的服务器（科学上【原创内容，转载请注明出处】【作者：唐霜】网），因此，我直接放弃。我找到了免费的A【未经授权禁止转载】【关注微信公众号：wwwtangshuangnet】SR接口，通过getUserMedia获【本文首发于唐霜的博客】【转载请注明来源】取麦克风输入，通过MediaRecord【版权所有】唐霜 www.tangshuang.net【转载请注明来源】er获得audioBuffer，通过Au原创内容，盗版必究。原创内容，盗版必究。dioContext和audiobuff【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。er-to-wav进行转码，将得到的wa【本文受版权保护】【转载请注明来源】v提交到免费的ASR，获得识别结果。同时著作权归作者所有，禁止商业用途转载。【版权所有，侵权必究】还做了一些策略，如果800ms没有人说话未经授权，禁止复制转载。【本文受版权保护】，则立刻对录制进行断句和ASR提交，从而转载请注明出处：www.tangshuang.net转载请注明出处：www.tangshuang.net可以更快的得到识别结果。

最后是语音输出。通过speechSynt【版权所有，侵权必究】著作权归作者所有，禁止商业用途转载。hesis来进行TTS，免费又性能好，e【本文受版权保护】【转载请注明来源】dge浏览器提供的音色也不错。通过Int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。l.Segmenter进行断句处理，从而【关注微信公众号：wwwtangshuangnet】转载请注明出处：www.tangshuang.net在大模型吐出第一句话的时候，就可以开始念【转载请注明来源】【本文受版权保护】稿。

用于最后的理解的LLM，免费的有挺多可选原创内容，盗版必究。【本文受版权保护】，glm、qwen都有免费的。

以上这些全部加起来，总价格成本为0.

效果预览

结语

通过本文，你可以看到，虽然openAI很【转载请注明来源】【转载请注明来源】强，但是他们现在做的很多产品，并非具有颠未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。覆性，虽然我的实现很简陋，但是后续只需要著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】通过优化，就可以获得在产品形态上与ope【转载请注明来源】本文作者：唐霜，转载请注明出处。nAI产品相同的产品效果，可能理解和智能【转载请注明来源】【转载请注明来源】上比不上，但是我们是0元购呀。我的下一步【本文首发于唐霜的博客】【本文首发于唐霜的博客】是，结合免费的视频生成接口，实现0元购的本文作者：唐霜，转载请注明出处。【未经授权禁止转载】AI视频互动聊天。

2024-12-15 3388