半小时教你手搓AI视频通话,还有懒人版代码已开源
GPT-4o的“AI视频通话”一鸽再鸽,但网友却是急不可耐想要体验。
于是,一位名叫Santiago(我们叫他三哥)的博主,用160行Python代码尝试了复刻。
虽然技术路线和《Her》有所差别,但从直观效果来看,也算得上是给网友们带来了新的玩具。
而且不仅是炫技,三哥是真的在试图把网友教会,用了半个多小时的时间讲解他的操作过程。
不过,三哥的自我介绍中说,自己是一个讲授硬核机器学习知识的博主,之前也推出过不少课程。
所以讲课这件事对三哥来说,也可以算是老本行了。
对三哥这次推出的新课,网友给予了很高的评价,表示不仅内容很赞,而且讲解得也很好。
甚至为了防止你觉得学起来太麻烦,三哥直接就把程序代码给公开了。
还有网友在线催更,有的想要增加屏幕读取的功能,还有人想要移动版……
用Python实现AI视频通话
三哥做的视频通话程序名叫Alloy Voice Assistant(简称Alloy),在视频中他演示了这样几组对话效果。
首先是一道基础问题,三哥让Alloy识别一下自己戴的眼镜是什么颜色。
这道题对Alloy来说确实是没什么难度,很轻松就能回答上来是黑色。
接下来,三哥就要给Alloy上难度了,这次要识别的是棒球帽上的徽章,并分析出所代表的球队。
这次不仅要识别的内容和镜头的距离变远了,而且Alloy需要一次性识别六个。
关于视频中涉及的棒球帽,我们来看下特写:
从左到右依次是(洛杉矶)道奇队、(华盛顿)国民队、(波士顿)红袜队、(休斯顿)太空人队、(芝加哥)小熊队和(堪萨斯城)皇家队。
我们再来看下Alloy给出的回答……完全正确。
最后一题,Alloy需要识别的内容变成了文字——不仅要知道写了什么,还要知道文字代表的含义。
只见三个拿出了一本书朝向了镜头,先后询问Alloy书的名称和作者。
这本书是苹果机器学习高级工程师Robert Munro Monarch写的Human-in-the-Loop Machine Learning(《人在回路·机器学习》),Alloy回答对了。
从三哥的演示中我们可以看出,Alloy在识别和回答的准确率上还是很能打的,不过响应的速度也确实慢了一些。
但毕竟不是原生功能,需要在多个API之间进行跳转,所以也算是可用。
那么Alloy到底是怎么实现的呢?三哥进行了在线教学。
37分钟细致讲解,还有开源懒人版
跟随着三哥的讲解,我们先来看一下都需要用到哪些工具。
既然要“视频通话”,当然就得有视觉处理模块,三哥用OpenCV来对画面进行捕获,然后交给多模态大模型进行处理。
具体的大模型可以有多种选择,包括GPT-4o、Claude和Gemini1.5Pro等,同时大模型还要承担文本处理的任务。
这是由于Alloy并非原生支持音频模态,所以处理音频的方式是通过文本作为中介实现,这就需要用到语音识别和合成模块,这里三哥用的分别是OpenAI的Whisper和TTS引擎。
另外,为了让大模型的集成变得更加容易,三哥这里还使用到了大模型编程框架LangChain。
最重要的,想要把这些模块都组合在一起,就需要用Python来编写代码,也要有相应工具的API。
看到这些工具,Alloy的大致工作流程也就清晰明了了——
麦克风和摄像头负责收集视觉和声音信息,然后声音被转换成文本并于视觉信息一起通过API送入大模型,大模型完成分析后以文本形式回传,最后用TTS模块合成语音并通过扬声器播放。
具体操作中,需要先安装好所需要的依赖库,并申请相应大模型的API,并创建一个Python程序加载这些依赖。
之后是编写WebcamStream类,用来捕获摄像头当中的图像,这里就用到了OpenCV当中的VideoCapture。
视频中,三哥针对每一行代码的含义和作用都进行了解释,感兴趣的话可以看原视频,这里就不一一展开了。
之后是Assistant类,也是整个Alloy系统中最核心的环节,从初始化和配置AI模型,到处理用户输入、声文互转、生成回答,再到对话记录的管理,Assistant都发挥着重要作用。
可以说,Assistant类是串起用户、输入设备和AI模型的桥梁,也是三哥在整个教程中讲解时间最长的一部分。
把这两个类定义好之后,最后就是主程序的设计,首先为这两个类各创建一个实例,之后配置摄像头和麦克风,就可以进入主循环体了。
主循环体会不断从WebcamStream实例中读取最新的视频帧,并使用OpenCV的imshow()函数在窗口中实时显示。
同时,当语音识别器检测到用户开始说话并结束时,会自动将语音转换为文本,并调用相关函数进行处理。
以上就是Alloy搭建的大致流程了,如果看了觉得实在太麻烦不想自己动手的话,三哥还在GitHub上准备了懒人版。
只需要根据选择的模型调整几行代码并填好API,就能直接用了。
如果你也想体验一下AI视频通话的话,不妨动手试一下吧。
原视频地址:
https://www.youtube.com/watch?v=zVttVCQvACQ
GitHub:
https://github.com/svpino/alloy-voice-assistant
2023雷军年度演讲 8 月 14 日举行 小米MIX Fold 3有望同时发布
今日,小米创办人雷军发文称,2023年雷军的年度演讲将于8月14日(周一)晚7点举行,主题为“成长”。这将是雷军的第4次年度演讲,他将在演讲中与大家分享过去30多年中几次关键的成长经历和感悟。2020年8月11日,雷军在北京小米总部举行了主题为“相信自己,一往无前”的小米十周年演讲。2021年和2022年的年度演讲则分别以“我的梦想,我的选择”和“穿越人生低谷的感悟”为主题。站长网2023-08-09 10:55:270000GPT Crawler:一款可抓取网站内容以创建定制化GPT的AI工具
划重点:-💡GPTCrawler是一款能够从网页中提取知识并生成知识文件的AI工具-💡它使用自然语言处理技术,将非结构化的网页内容转化为有组织的知识-💡GPTCrawler的出现将在信息提取、定制化GPT模型和个性化AI交互等领域发挥重要作用站长网2023-11-29 10:42:050002LeCun的意难平!Galactica比ChatGPT早发两周 却因幻觉问题被喷下线
在大型语言模型(LLM)的领域,OpenAI的ChatGPT因其卓越性能和广泛应用而引起轰动,成为瞩目的焦点。然而,在ChatGPT之前的两周,Meta发布了Galactica,一款试用版模型。Galactica在丰富的科学语料库上进行训练,包括4800万篇论文、教科书、化合物和蛋白质知识,但仅上线不到三天就被下线,因为生成的文本不严谨且存在幻觉问题。站长网2023-11-15 19:02:310000马斯克:推特品牌的“蓝鸟”标志或改成“X”
凤凰网科技讯7月23日消息,马斯克在社交媒体上表示,不久,我们将告别推特品牌,并逐渐告别所有“鸟类”。如果今晚(网友)给出足够好的“X”标志,我们明天将在全球范围内发布。有网友在该推文下快速给出了各种X标识的新logo。从蓝鸟改成X的标识,你怎么看?站长网2023-07-24 11:44:320000Google 搜索现在可以帮助验证图像的来源
谷歌开始推出新的“关于此图像”工具,旨在提供有关谷歌搜索中图像的基本背景信息和上下文。该功能首次在5月份的GoogleI/O开发者大会上宣布,现在正在向全球英语用户推出。用户可以从搜索和Google图片结果中显示的三点菜单访问该功能。这家搜索巨头还宣布更新其事实检查浏览器计划和人工智能驱动的搜索生成体验。站长网2023-10-26 11:30:220000