OpenAI挤牙膏似的的12天发布会不断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兑现之前给的demo，他们似乎今年一次性著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】做了很多产品，在这年尾的时候像甩卖一样将【转载请注明来源】【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【本文受版权保护】【版权所有】唐霜 www.tangshuang.net布会上，他们演示了和大模型实时视频通话功【版权所有，侵权必究】【本文受版权保护】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】【未经授权禁止转载】见面。那么这个功能到底有多难做呢？今天，【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】我就以一个技术人的视角，来聊一聊，我是如【本文受版权保护】未经授权，禁止复制转载。何用前端技术，做出的一个类似的功能，而且【转载请注明来源】【原创不易，请尊重版权】关键是，调用国内的免费模型接口，来了一个【作者：唐霜】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【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】个类似摄像头拍摄的界面，LLM像有了眼睛【未经授权禁止转载】【本文首发于唐霜的博客】一样，看到用户提供的画面，并根据用户的说转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。话内容和画面，做出实时反应。由于Open【转载请注明来源】【原创不易，请尊重版权】AI实现了端到端模型，大模型可以直接接收【作者：唐霜】【作者：唐霜】视频输入，输出语音。但随之而来的就是成本【作者：唐霜】本文版权归作者所有，未经授权不得转载。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【本文首发于唐霜的博客】【本文首发于唐霜的博客】。我认为主要是以下3点：

• 对视频进行理解 -> 本质上是对多【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。帧画面进行理解
【本文首发于唐霜的博客】原创内容，盗版必究。【关注微信公众号：wwwtangshua【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.netngnet】【未经授权禁止转载】
• 对语音进行理解 -> 我们用ASR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。来替代，让大模型理解文本更直接
【版权所有】唐霜 www.tangshu【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】ang.net未经授权，禁止复制转载。【版权所有】唐霜 www.tangshu【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.netang.net本文作者：唐霜，转载请注明出处。
• 语音输出
本文作者：唐霜，转载请注明出处。【作者：唐霜】【本文受版权保护】

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【版权所有，侵权必究】【未经授权禁止转载】getUserMedia来获得摄像头画面【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】，再通过canvas来对视频进行截图，获【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。得画面帧。对画面进行理解，可以调用glm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。-4v-flash（免费），将理解后的结【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。果保存下来备用。

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

最后是语音输出。通过speechSynt本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.nethesis来进行TTS，免费又性能好，e【关注微信公众号：wwwtangshuangnet】【本文首发于唐霜的博客】dge浏览器提供的音色也不错。通过Int【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.netl.Segmenter进行断句处理，从而【转载请注明来源】【版权所有】唐霜 www.tangshuang.net在大模型吐出第一句话的时候，就可以开始念【未经授权禁止转载】【作者：唐霜】稿。

用于最后的理解的LLM，免费的有挺多可选【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。，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【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。强，但是他们现在做的很多产品，并非具有颠著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】覆性，虽然我的实现很简陋，但是后续只需要【作者：唐霜】【原创内容，转载请注明出处】通过优化，就可以获得在产品形态上与ope未经授权，禁止复制转载。【本文受版权保护】nAI产品相同的产品效果，可能理解和智能本文版权归作者所有，未经授权不得转载。【转载请注明来源】上比不上，但是我们是0元购呀。我的下一步未经授权，禁止复制转载。【原创内容，转载请注明出处】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。本文作者：唐霜，转载请注明出处。AI视频互动聊天。

2024-12-15 3139