2024年， OpenAI 正式发布了 GPT-4o，发布会上称，该模型的强大之处在于可以接受任何文本、音频和图像的组合作为输入，并直接生成上述这几种媒介输出。这也意味着人机交互将更接近人与人的自然交流。
我们在与传统的语音助手交互时，往往要经历至少三个阶段。举个🌰：当我们说“XX，帮我设定一个上午10点的闹钟”。首先语音助手要进行语音识别，然后分析并执行指令，通过LLM 计划下一步要说什么，最后再将内容进行语音合成。每一个行动步骤都有可能出现较大延迟，甚至可能会理解错误，此时作为与机器交互的我们会体验感骤降。那什么才是更接近人与人的自然交流？我们考虑视频通话的情况：2.听说同步：也就是当对方打断时，可以立刻停止；在对方发言的过程中，也会适时表示认可3.逻辑思维：预测对方讲话结束发生的时间，并很快接上这些问题都是此前的 AI 语言助手无法很好处理的，而针对上面的问题，抽象出技术要点就是：支持全双工实时音视频交互、智能语义识别与断句，并提供多种语言、音色和风格的语音合成及声音克隆。根据摄像头捕捉的画面内容，系统能够实时分析情境并提供与当前场景紧密相关的反馈，提升互动的质量和效率。通过面部表情分析，AI 智能体能够解读用户的情绪状态，做出更加贴近用户期望的反应。白屏化 AI 组件 ( ASR/TTS/数字人/LLM...) 灵活编排，快速构建一个企业专属云上 AI 智能体。依托实时音视频 ARTC 全球 3200+ 节点和 QoS 策略，实现高质量、低延时通话。但是！！这一OpenAI春季发布会的重磅杀手锏，在阿里云上人人可实现，人人可体验！本文将介绍的就是如何快速创造出可视频通话的AI 智能体。以及期待每一个部署的你与它碰撞出新的火花。其中，AI 智能体是本方案的核心组件之一，能够在云端模拟高度拟真的用户交互。用户可以根据需求自行创建智能体。通过灵活的插件式和拖拽式方式，用户可以编排各个 AI 组件，如语音转文字、多模态大模型、语音合成等，从而实现 AI 智能体的实时工作流。实时音视频通信技术（ARTC）为用户与AI智能体之间的音频通话提供了高可用、高品质、超低延时的保障。
通过终端 SDK 发起与云端 AI 智能体的音视频通话请求，AI 智能体接收到用户的音视频输入后，依据预定义的工作流进行处理，对视频抽帧后交由多模态大模型进行理解，并将大模型的响应结果返回给用户，从而实现与 AI 智能体的对话。实时音视频 ARTC 是智能体和用户之间建立起实时音频通信的基础，实现 AI 实时互动需要准备一个 ARTC 应用，参照以下步骤开通并创建 ARTC 应用。1.开通视频直播：https://common-buy.aliyun.com/?commodityCode=live，计费方式选择按使用流量计费，点击右下角立即开通。
2.在视频云直播控制台：https://live.console.aliyun.com/overview，左侧导航栏单击直播+ > 实时音视频 > 应用管理。
3.单击创建应用。
AI 智能体是在 AI 实时互动解决方案中定义的高仿真用户，用户可以根据自身需求创建智能体，并将其集成到自己的应用中，使其能够按照既定工作流程在实时音频环境中运行，从而实现实时音频交互功能。1.登录智能媒体服务控制台：https://ims.console.aliyun.com/summary，点击立即开通按钮。
2.在服务开通页面，勾选服务协议，点击立即开通按钮。
3.点击服务授权按钮。
4.在服务授权页面，点击同意授权按钮。
5.登录 AI实时互动-智能体管理：https://ims.console.aliyun.com/ai/robot/list，单击创建智能体。
（1）基础信息：可以自定义智能体名称。
（2）工作流配置：选择 VisionChat系统工作流作为工作流ID；实时音视频ARTC应用则选择在上一步中创建的ARTC应用。完成这些配置后，点击提交按钮。
1.请点击应用模板链接：https://fcnext.console.aliyun.com/applications/create?template=aui-ai-vision-chat&deployType=template-direct，打开我们提供的函数计算应用模板，填写配置。
2.其他配置项保持默认，点击页面左下角的创建并部署默认环境，等待项目部署完成即可。
3.应用部署完成后，可以在应用的环境详情中找到示例网站的访问域名，点击即可查看，确认示例网站已经部署成功。
4.当您点击拨打按钮后，系统会提示使用HTTPS访问页面。请根据提示点击所提供的链接，以完成页面跳转。
5.浏览器会提示安全证书警告或错误，可以选择点击高级选项，然后点击继续前往以访问该网站。
一、实时视觉理解通话
单击拨打按钮，即可开始与智能体对话，询问有关春节习俗。
浏览器弹窗请求使用麦克风，点击访问该网站时允许。
浏览器弹窗请求使用摄像头，点击访问该网站时允许。
用户可以与智能体进行实时视觉理解通话，页面上会同步展示当前对话的文字信息，以便用户查阅对话内容。
5.单击右上角的
，可以选择自然对话模式或者对讲机模式，以及开启/关闭智能打断。
二、如何在移动端快速集成视觉理解通话
当前 DEMO 提供了移动端扫码体验，支持使用微信/钉钉扫码，或复制链接后在手机浏览器中打开。
接下来，即可在移动端体验视觉理解通话。
点击阅读原文，快来体验与AI 视频问答吧，新年礼物，先到先得～（真的很好用！！）
