过去这段时间，我在研究一项让AI帮助普通著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。人靠近诗和远方的应用实现，在这个项目中，【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】我构想了一位AI伴侣，以视频聊天的形式，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。向由于时间和金钱不足没法踏上旅程的青年，【转载请注明来源】【版权所有】唐霜 www.tangshuang.net展示了日本知名景区富士山的场景。实现一位【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】AI导游伴侣，不仅需要有能以自然人的身份【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。与用户交流的能力，还要有能学习景区资料、转载请注明出处：www.tangshuang.net【本文受版权保护】旅游路线、酒店机票等等攻略的能力，更进一【作者：唐霜】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著作权归作者所有，禁止商业用途转载。，并且作为旅游应用，它还需要在自然人和科转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。普视频两种身份之间做无缝切换。这是一项庞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】大的工程，我的任务除了要在技术上实现它以未经授权，禁止复制转载。【原创不易，请尊重版权】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【原创不易，请尊重版权】的价格（或许要在某些方面退而求其次），让【本文受版权保护】【作者：唐霜】更多的人能够拥有它。一篇文章无法完全讲解转载请注明出处：www.tangshuang.net【本文受版权保护】透彻，本文我将着重在AI的“听”和“说”【访问 www.tangshuang.net 获取更多精彩内容】【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未经授权，禁止复制转载。未经授权，禁止复制转载。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。【原创不易，请尊重版权】LLM扮演“大脑”的角色
过去两年，我们见证了LLM的疯狂崛起。由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.tangshuang.netChatGPT开启的大门，让普通人也能便【转载请注明来源】【原创不易，请尊重版权】捷便宜的享用AI。LLM优秀的灵活的推理转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】能力，让我们可以在我们自己的大脑外，外挂原创内容，盗版必究。本文版权归作者所有，未经授权不得转载。一个“体外大脑”。随着LLM厂商们的迭代【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】，这些“外挂大脑”的智商越来越高，甚至在转载请注明出处：www.tangshuang.net【本文受版权保护】某些具体方面超出了博士水平。这也就意味着原创内容，盗版必究。【原创不易，请尊重版权】，普通人可以借助AI，完成超出自己智商水本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。平的工作。这就像，我们可以借助外挂，在物【本文受版权保护】【本文受版权保护】理上超越人类极限一样，用挖机移山，用吊车【转载请注明来源】【未经授权禁止转载】盘石，用沙船填海……就像机械设备在体力上【原创内容，转载请注明出处】未经授权，禁止复制转载。无限放大人的能力一样，AI在脑力上极大的【原创内容，转载请注明出处】【未经授权禁止转载】突破了人的思考和认知极限。
未经授权，禁止复制转载。【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net学会使用LLM是未来学习、工作、生活的必【版权所有，侵权必究】未经授权，禁止复制转载。备技能，因为一旦别人都会用，而你不会用，【原创不易，请尊重版权】【访问 www.tangshuang.net 获取更多精彩内容】在智力上就会被碾压。虽然，各大厂商们，特【转载请注明来源】转载请注明出处：www.tangshuang.net别是OpenAI正在尝试将AI的使用难道转载请注明出处：www.tangshuang.net转载请注明出处：www.tangshuang.net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，即使到了今天本文作者：唐霜，转载请注明出处。【未经授权禁止转载】，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】本文版权归作者所有，未经授权不得转载。么自然。因此，现阶段，“使用LLM”这个未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。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【转载请注明来源】【本文受版权保护】力的知识技能。类似Prompt工程这样的著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】学问显得尤为重要，因为它提供了激发AI潜著作权归作者所有，禁止商业用途转载。【作者：唐霜】力的成体系方法论，掌握该知识的人，在实际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。工作中，将远超普通人。
本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】【转载请注明来源】虽然我们还无法不费吹灰之力地使用LLM，【关注微信公众号：wwwtangshuangnet】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，成未经授权，禁止复制转载。本文作者：唐霜，转载请注明出处。为超越普通人的智能资源，这意味着等到我们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。遇到超出自己智力范围的需求时，可以现学现【作者：唐霜】【原创内容，转载请注明出处】用或请教熟练使用LLM的人，以解决我们的本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。核心问题。
【版权所有，侵权必究】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【未经授权禁止转载】在开发所有产品时，我们都应该为该产品提供【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。一个“大脑”，而毫无疑问，这个“大脑”的【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。角色由LLM来扮演。就当下的科技产品而言本文版权归作者所有，未经授权不得转载。【转载请注明来源】，缺乏“大脑”的产品显得枯燥，同时也无法著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。满足复杂多变的用户需求。过往，我们设计一【本文首发于唐霜的博客】原创内容，盗版必究。款产品，制订好产品的使用规则，并“教育”本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】用户如何使用它。而现在，我们设计一款产品【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】，有用户来决定如何使用，产品只在最后承接著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】用户的真正需求。这种转变，就像过去web【本文首发于唐霜的博客】【未经授权禁止转载】1.0用户被动接受信息到web2.0用户【本文首发于唐霜的博客】原创内容，盗版必究。主动生产信息的转变一样，会在用户体验和人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】机交互形式上，带来重大变革。作为技术产品【本文首发于唐霜的博客】【本文受版权保护】的创业者，我们更多的是思考，这种变革的目【版权所有】唐霜 www.tangshuang.net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【未经授权禁止转载】【作者：唐霜】法进行验证。
【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。【版权所有，侵权必究】原创内容，盗版必究。另外，由于各家厂商的LLM的智力水平不同【作者：唐霜】【本文受版权保护】，同时受到内容审查的影响，我们面临着LL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】M也分“三六九等”的问题。等级越高，能提【未经授权禁止转载】【未经授权禁止转载】供的智力水平越高，当然，价格也就更贵。一著作权归作者所有，禁止商业用途转载。【关注微信公众号：wwwtangshuangnet】旦价格超出普通人的承受范围，那么这种高级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。智力就会成为有钱人的专属，并最后形成智力本文版权归作者所有，未经授权不得转载。【本文受版权保护】特权，把真实的人也分“三六九等”。所以，【本文首发于唐霜的博客】原创内容，盗版必究。无门槛的普惠性AI智能服务显得尤为重要，【版权所有】唐霜 www.tangshuang.net【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【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。，这种矛盾需要在资本市场寻找创新来解决。【本文首发于唐霜的博客】【转载请注明来源】而作为整个链路中小小的一环节，我们作为创本文作者：唐霜，转载请注明出处。【转载请注明来源】业者，尽可能的平价提供服务，以无愧于心。
转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net任何一款产品，无论是以应用的形态，还是以本文版权归作者所有，未经授权不得转载。【本文受版权保护】服务的形态，还是以插件的形态，我们可以标【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】榜它就是一款AI产品，也可以不标榜它的A【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】I属性，而是更垂直的解决用户需求，只不过【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。背后的技术解决方案是基于AI的。有了AI【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net作为产品“大脑”，我们可以让产品更灵活，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】更适配用户的需求。举个例子，以前用户只能【访问 www.tangshuang.net 获取更多精彩内容】未经授权，禁止复制转载。提供结构化的数据来该一个绘图工具绘制图表【本文首发于唐霜的博客】【未经授权禁止转载】，而现在，基于LLM，用户可以提供原始材原创内容，盗版必究。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【访问 www.tangshuang.net 获取更多精彩内容】【原创不易，请尊重版权】者一次性给出多个图表，以前那种结构化数据【作者：唐霜】转载请注明出处：www.tangshuang.net的产品形态，必须有开发人员提供特定界面来【关注微信公众号：wwwtangshuangnet】【版权所有】唐霜 www.tangshuang.net控制用户输入的是结构化数据，在数据传输过【作者：唐霜】本文版权归作者所有，未经授权不得转载。程中也要保持该数据结构，直至最终消费数据【本文受版权保护】未经授权，禁止复制转载。为固定的图表进行输出，但在新的技术方案中【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。，用户可以输入任意的数据源，而输出也不局【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net限于单一的图表。
【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。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】【本文受版权保护】形态可以发生变化，从以往呆板的必须按固定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。规则使用的产品形态，逐渐向随意的灵活的立【转载请注明来源】【版权所有，侵权必究】体的产品形态演进，这种演进不是在原来的形【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。态基础上做增益，而是突然来到一个新维度，【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】提供以往从未有过的形式。例如，以前的游戏本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】地图、剧情、人物、主线是固定的，而在AI【转载请注明来源】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【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。据用户游玩游戏的过程，实时生成新地图、新【未经授权禁止转载】【原创不易，请尊重版权】剧情等。这种影响，目前来说，主要集中在A【本文受版权保护】著作权归作者所有，禁止商业用途转载。IGC领域，诸如影视创作、图书出版、漫画【原创不易，请尊重版权】未经授权，禁止复制转载。、短视频等等，都将出现整体作品范式的演进原创内容，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【转载请注明来源】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】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【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。说话，才能解放我们的眼睛，提供更多的感官【本文受版权保护】【转载请注明来源】刺激。虽然，视觉接受信息的速率和效率都远【原创不易，请尊重版权】原创内容，盗版必究。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，盗版必究。转载请注明出处：www.tangshuang.net更丰富的情感价值、提升用户的反馈比率，多原创内容，盗版必究。【未经授权禁止转载】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】用能如此受追捧的原因之一。
【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】【原创不易，请尊重版权】未经授权，禁止复制转载。而最近两年，播客突然在数据上呈现出新风口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.tangshuang.net的趋势，作为fm形态的产品，已经存在30原创内容，盗版必究。转载请注明出处：www.tangshuang.net来年，我在小学的时候，就可以通过网络点播原创内容，盗版必究。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。【原创不易，请尊重版权】原因比较复杂，除了社会压力越来越大人们需著作权归作者所有，禁止商业用途转载。【作者：唐霜】要更广泛的娱乐形态之外，声音这种独特的信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。息传播形式固有的魅力也是致其随时可能迎来本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】新增长的原因。当下，智能电车正在逐渐取代【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。传统油车，而汽车的普及让越来越多的人越来【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】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】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，在未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net这漫长的旅途中，声音形态的产品，则容易被原创内容，盗版必究。【作者：唐霜】接纳。一旦这些产品可以提供足够的情绪价值本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。，那么，在行车之外的时间，它们也可以作为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】个人独处时，不想或不方便接受视觉信息，就著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】是最佳的选择。
【访问 www.tangshuang.net 获取更多精彩内容】【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，虽然未经授权，禁止复制转载。【作者：唐霜】不太可能像短视频平台一样，获得如此广泛的【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net用户量，但是，却仍然可以在独特的赛道上，【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。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】著作权归作者所有，禁止商业用途转载。纯粹的用户量增长更有意义，这也是为什么我【版权所有】唐霜 www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】认为即使是声音产品，其本质还是内容为王，转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net同时，内容为王的前提是内容免费+有效的盈【作者：唐霜】【版权所有，侵权必究】利渠道，比较鲜有为一段声音付费的用户，特【原创内容，转载请注明出处】【未经授权禁止转载】别是在这个AI时代，本身声音已经自由。
原创内容，盗版必究。本文作者：唐霜，转载请注明出处。【未经授权禁止转载】Meta最近发布了他们的新产品，基于ll本文作者：唐霜，转载请注明出处。转载请注明出处：www.tangshuang.netama来做播客，他们通过agent技术，转载请注明出处：www.tangshuang.net【关注微信公众号：wwwtangshuangnet】实现了剧本的创作->脚本的编写-&【本文首发于唐霜的博客】【版权所有】唐霜 www.tangshuang.netgt;内容输出->文本到语言的输出【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】->剪辑的全流程，只要你有一个好点【作者：唐霜】【作者：唐霜】子，搭配有一个懂活的AI，就可以做出一节【未经授权禁止转载】未经授权，禁止复制转载。优质播客。随着AI对播客的入侵，未来播客【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。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。本文版权归作者所有，未经授权不得转载。质上还是一门关于内容的生意，只有优质的内【版权所有】唐霜 www.tangshuang.net【转载请注明来源】容，才能真正吸引回头客。然而，作为小小创著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。业者，我现在多了一个认知，“苍蝇专叮有缝未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。的蛋”，“再小的肉它也是肉”，专做长尾，【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】以量取胜，虽然从健康生态的角度讲这种做法著作权归作者所有，禁止商业用途转载。【本文受版权保护】并不可取，但是对于资源不足资金不裕的创业【未经授权禁止转载】转载请注明出处：www.tangshuang.net者而言，“我不入地狱谁入地狱”？
【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。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【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。其简单的事，因为TTS技术已经成熟一二十【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。年了。然而，既然如此简单，为什么“语音通【作者：唐霜】转载请注明出处：www.tangshuang.net话”功能没有成为烂大街的功能呢？据我所知【本文首发于唐霜的博客】【原创内容，转载请注明出处】，直到最近，国内各家LLM厂商，才开始陆原创内容，盗版必究。【原创不易，请尊重版权】续在自己的App中增加了这种能力，即使如未经授权，禁止复制转载。【作者：唐霜】此，这种交互的国内鼻祖“豆包”App，也【原创内容，转载请注明出处】【作者：唐霜】无法做到丝滑流畅纯自然。这里面还是有很多【原创内容，转载请注明出处】【未经授权禁止转载】技术细节有待进一步加强，LLM的toke著作权归作者所有，禁止商业用途转载。【本文受版权保护】ns生成方式，迫使TTS无法实时的根据上【版权所有】唐霜 www.tangshuang.net【关注微信公众号：wwwtangshuangnet】下文来理解，因此也就无法给出对应的情绪和本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】语气，甚至连多音字都可能识别错误。这都还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】是比较难解决的，即便是端对端实时语音输出【版权所有，侵权必究】【本文受版权保护】，我相信也能难倒一大堆程序员。因此，看上转载请注明出处：www.tangshuang.net【关注微信公众号：wwwtangshuangnet】去稀松平常的一些能力，实际在背后有非常多【原创不易，请尊重版权】【版权所有，侵权必究】技术的挑战和决策。作为过来人，在这种情况【作者：唐霜】【版权所有】唐霜 www.tangshuang.net下，我往往觉得，我们显得很渺小，我们的目原创内容，盗版必究。原创内容，盗版必究。标总是星辰大海，但是总是在如何给漏气的轮【原创不易，请尊重版权】【本文首发于唐霜的博客】胎补胎这样的小事上没有太多进展。我们希望著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。创造出充满科技感的AI产品，但是在跨出的【本文受版权保护】转载请注明出处：www.tangshuang.net第一步，就遭遇技术上的滑铁卢，需要花大力【作者：唐霜】【原创不易，请尊重版权】气才能解决，此时，已经落后别人一万步。中本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。国需要有更多的技术平台，为开发者提供简洁【本文受版权保护】【转载请注明来源】的一步到位的技术支撑，让开发者可以忽略这【未经授权禁止转载】本文作者：唐霜，转载请注明出处。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】本文作者：唐霜，转载请注明出处。到星辰大海，再来点火起航。于是，我搞了一转载请注明出处：www.tangshuang.net【作者：唐霜】个Developround社区，专门提供服务接口，让开发者可以在技【本文首发于唐霜的博客】原创内容，盗版必究。术上几乎无门槛的使用这些技术。
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】一旦有了可选择的服务，我们让LLM开口说【关注微信公众号：wwwtangshuangnet】【作者：唐霜】话就是技术集成的问题。到了这一步，我又开【作者：唐霜】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，【访问 www.tangshuang.net 获取更多精彩内容】【版权所有，侵权必究】必须疯狂白嫖”。本质上，我们就是要用最便本文作者：唐霜，转载请注明出处。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【转载请注明来源】本文版权归作者所有，未经授权不得转载。效果的要求，超出用户的本质需求。作为技术【本文受版权保护】【未经授权禁止转载】出身的创业者，更加关注成本，比较我们的职【未经授权禁止转载】【原创不易，请尊重版权】业生涯中，没有一分钱是大风刮来的，都是用转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。头顶的猿毛一根根换来的，因此，在创业初期未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net，但凡能用免费的服务，我们都不需要多看收【原创不易，请尊重版权】【转载请注明来源】费服务一秒钟；但凡能自己用技术解决的，我著作权归作者所有，禁止商业用途转载。【版权所有，侵权必究】们都不会登录SaaS服务厂商网站一次。控本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】制成本的背后逻辑，实际上是想为用户提供无未经授权，禁止复制转载。【原创不易，请尊重版权】限量无限制的使用，一旦功能有多余的成本，【作者：唐霜】【关注微信公众号：wwwtangshuangnet】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】【关注微信公众号：wwwtangshuangnet】就一定是用户有损的，而作为创业者，我们往【关注微信公众号：wwwtangshuangnet】【原创不易，请尊重版权】往希望自己的产品是用户无损的，通过这种情【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】感共鸣来让用户心甘情愿的为价值买单。
【未经授权禁止转载】【转载请注明来源】本文作者：唐霜，转载请注明出处。让AI听懂听见
这里的标题，“听懂”在“听见”前面，意思【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】是“听见”比“听懂”更难。
【版权所有】唐霜 www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】转载请注明出处：www.tangshuang.net【未经授权禁止转载】做一款能听懂用户在说什么的AI产品，构想【作者：唐霜】【版权所有，侵权必究】起来并不复杂，即通过端侧录音用户的说话，【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。发送到后端进行ASR，将识别文本交给LL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】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未经授权，禁止复制转载。，最后把语音发送给端侧播放给用户听，形成著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net表象上无文本的对话交互形式。但是，但凡有原创内容，盗版必究。【转载请注明来源】点心智的朋友，都会发现这里面的大问题，就【转载请注明来源】转载请注明出处：www.tangshuang.net是响应速度，从用户说话到提交要时间，如果未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。用户说的久，则网络的传输也更久，在到后端原创内容，盗版必究。未经授权，禁止复制转载。各种识别、响应、生成，再经过一次网络传输未经授权，禁止复制转载。原创内容，盗版必究。，都是时间，响应时间越久，产品就显得越呆本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】滞，这种呆呆的效果，显得AI都不那么智能本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】。
【关注微信公众号：wwwtangshuangnet】【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】本文版权归作者所有，未经授权不得转载。解决这一问题的办法，成本最低的，就是“流【未经授权禁止转载】【原创不易，请尊重版权】式”，声音的流式传输和流式生成，用户一边【原创不易，请尊重版权】原创内容，盗版必究。说话，一边传输，一边让LLM理解，一边生未经授权，禁止复制转载。【未经授权禁止转载】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。【版权所有】唐霜 www.tangshuang.net，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。未经授权，禁止复制转载。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】本文作者：唐霜，转载请注明出处。“实时”的上载往往是buffer，但是，【关注微信公众号：wwwtangshuangnet】【原创内容，转载请注明出处】我们都知道，声音有采样率、声道等参数，还【原创内容，转载请注明出处】【关注微信公众号：wwwtangshuangnet】有封装格式，每一种都可能带来解析失败。还【作者：唐霜】转载请注明出处：www.tangshuang.net有就是，在网络协议上，到底是选择webs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。ocket还是http stream，也本文作者：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。是很纠结。总之，看似一马平川的方案，实则本文版权归作者所有，未经授权不得转载。【本文受版权保护】满地都是坑坑洼洼。当然，还有一种从架构层【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。面去解决，把整个服务都搬到端侧上，或者调【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】用手机本身的语言识别接口和TTS接口，在【原创不易，请尊重版权】【未经授权禁止转载】应用内嵌入小模型。
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。原创内容，盗版必究。【本文首发于唐霜的博客】而OpenAI刚刚发布了最新模型gpt-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】4-audio，做到了端到端的语音理解和著作权归作者所有，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。【未经授权禁止转载】有打断说话人的效果（我理解这种效果本质上原创内容，盗版必究。【转载请注明来源】是缺陷，消耗的资源也更大），也就是说，他著作权归作者所有，禁止商业用途转载。【原创不易，请尊重版权】们从底层模型的角度解决这一问题，从而免去【作者：唐霜】【版权所有】唐霜 www.tangshuang.net了ASR->LLM-TTS的流程，【本文受版权保护】【版权所有，侵权必究】再配合上端到端的流式音频传输，就可以极大转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net的降低延迟，给大模型留出更多的思考时间。
【转载请注明来源】【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。原创内容，盗版必究。除了听懂用户在说什么，“听见”有时也更温本文作者：唐霜，转载请注明出处。【原创内容，转载请注明出处】馨。例如用户处于嘈杂的车流环境，如果AI【未经授权禁止转载】【未经授权禁止转载】能听懂，那么就可以提供更贴切的情绪陪伴。
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】【作者：唐霜】另外，如果是一款垂类的产品，如何巧妙自然著作权归作者所有，禁止商业用途转载。著作权归作者所有，禁止商业用途转载。的将能说会道的AI嵌入到产品中，甚至整个著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net产品的逻辑都是围绕AI来展开，就是很难的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。事。本质上而言，上述过程只是一种体验上的【原创不易，请尊重版权】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未经授权，禁止复制转载。【原创不易，请尊重版权】。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【本文受版权保护】除了跟风一定要强上语音对话能力，我找不出【转载请注明来源】【版权所有，侵权必究】其他理由。因此，我想，在产品设计时，我们【作者：唐霜】【关注微信公众号：wwwtangshuangnet】需要考虑的事，我们的产品是引入AI作为辅转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】助，还是围绕AI实现用户价值？如果是前者【版权所有，侵权必究】【作者：唐霜】，我想确实是没有必要选择高成本的体验。但【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。如果是围绕AI来实现用户价值，则情况完全原创内容，盗版必究。【本文受版权保护】不同，例如AI陪伴类的产品，不仅要有对话转载请注明出处：www.tangshuang.net【作者：唐霜】的能力，而且在声音的训练上也要下足功夫，【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net因为这种场景下，用户需要更多的是陪伴感，原创内容，盗版必究。【转载请注明来源】追求的是产品的体验本身，而非内容的价值。
【本文首发于唐霜的博客】【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】【版权所有】唐霜 www.tangshuang.net结语
本文主要聊了聊我在AI类产品中加入语音对【本文受版权保护】【转载请注明来源】话能力的一些思考，认为这一能力看上去简单【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。，实则在技术上有很多细节，成本比较大，对【原创不易，请尊重版权】原创内容，盗版必究。于创业者而言，应该把成本作为一项重要考虑著作权归作者所有，禁止商业用途转载。【转载请注明来源】因素。同时，作为在这类功能上有经验的技术【原创不易，请尊重版权】转载请注明出处：www.tangshuang.net人，我认为随着AI产品的发展，一些较为常转载请注明出处：www.tangshuang.net【本文首发于唐霜的博客】见的体验类功能，会慢慢成为基础功能，在所【本文受版权保护】【本文首发于唐霜的博客】有产品中被集成。发现这点后，我也创建了自【转载请注明来源】【原创不易，请尊重版权】己的developround平台。从未来【本文受版权保护】原创内容，盗版必究。AI的应用来看，AIGC只是其中的一个方原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。向，而且是向虚的，人们对内容的消费主要还【原创内容，转载请注明出处】未经授权，禁止复制转载。是娱乐的，而追求娱乐，必然存在更为吸引人【版权所有，侵权必究】【本文受版权保护】的交互形态。我也将在这样的道路上不断探索【未经授权禁止转载】【本文受版权保护】，如果你对本文的内容感兴趣，不妨在下方留【原创不易，请尊重版权】原创内容，盗版必究。言，一起讨论。
原创内容，盗版必究。【作者：唐霜】
