OpenAI挤牙膏似的的12天发布会不断兑现之前给的demo，他们似乎今年一次性做了很多产品，在这年尾的时候像甩卖一样将它们丢出来，有点眼花缭乱。在之前的一次发布会上，他们演示了和大模型实时视频通话功能，令人惊艳，但是该功能直到昨天才和公众见面。那么这个功能到底有多难做呢？今天，我就以一个技术人的视角，来聊一聊，我是如何用前端技术，做出的一个类似的功能，而且关键是，调用国内的免费模型接口，来了一个彻底的0元购。

功能概览

当用户开启实时视频通话功能后，界面进入一个类似摄像头拍摄的界面，LLM像有了眼睛一样，看到用户提供的画面，并根据用户的说话内容和画面，做出实时反应。由于OpenAI实现了端到端模型，大模型可以直接接收视频输入，输出语音。但随之而来的就是成本高昂。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。我认为主要是以下3点：

• 对视频进行理解 -> 本质上是对多帧画面进行理解
• 对语音进行理解 -> 我们用ASR来替代，让大模型理解文本更直接
• 语音输出

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getUserMedia来获得摄像头画面，再通过canvas来对视频进行截图，获得画面帧。对画面进行理解，可以调用glm-4v-flash（免费），将理解后的结果保存下来备用。

其次是语音理解。我们可以通过SpeechRecognition来在本地进行语音识别，然而它只有谷歌支持，只能在chrome中使用，且需要连到谷歌的服务器（科学上网），因此，我直接放弃。我找到了免费的ASR接口，通过getUserMedia获取麦克风输入，通过MediaRecorder获得audioBuffer，通过AudioContext和audiobuffer-to-wav进行转码，将得到的wav提交到免费的ASR，获得识别结果。同时还做了一些策略，如果800ms没有人说话，则立刻对录制进行断句和ASR提交，从而可以更快的得到识别结果。

最后是语音输出。通过speechSynthesis来进行TTS，免费又性能好，edge浏览器提供的音色也不错。通过Intl.Segmenter进行断句处理，从而在大模型吐出第一句话的时候，就可以开始念稿。

用于最后的理解的LLM，免费的有挺多可选，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很强，但是他们现在做的很多产品，并非具有颠覆性，虽然我的实现很简陋，但是后续只需要通过优化，就可以获得在产品形态上与openAI产品相同的产品效果，可能理解和智能上比不上，但是我们是0元购呀。我的下一步是，结合免费的视频生成接口，实现0元购的AI视频互动聊天。

2024-12-15 254