很好也很贵?OpenAI Realtime API 一手体验和 Voice AI 的未来编码人声

很好也很贵?OpenAI Realtime API 一手体验和 Voice AI 的未来

78分钟 ·
播放数730
·
评论数8

OpenAI Realtime API 发布了,你准备好了么?

Realtime API 让开发者可以构建近乎实时的「语音到语音」的体验,无需将多个模型拼接在一起进行转录、推理和文本到语音的转换,实现更流畅的打断体验,还可以无缝切换多种语言。

本期节目请来了第一批接入并体验 OpenAI Realtime API 的开发者,为你解析背后的技术和开发者的新机会。

两位嘉宾分别是在实时多模态 AI 领域深耕多年的专家——开源实时多模态 AI 框架 TEN Framework 的联合发起人 Plutoless ,以及拾象科技的 AI Research Lead 钟凯祺 Cage。

节目深度分析了 OpenAI Realtime API 的优势与挑战,讨论了实时多模态 AI 如何实现语音进、语音出的端到端交互,大幅降低延迟,提升用户体验,使得与 AI 的对话更加自然流畅。也谈到了目前存在的高昂成本和技术集成的复杂性,以及这些问题对开发者意味着什么。

此外,嘉宾们还深入探讨了实时多模态 AI 的定义,什么才是真正的实时多模态?他们分享了自己在实践中遇到的挑战和最佳实践,探讨了在 OpenAI Realtime API 的背景下,开发者如何抓住新的机遇。他们也展望了 AI 在未来实时互联网中的角色,讨论了 AI 安全、人与 AI 的协作、多模态交互等话题。

节目中提到的 Voice Agent 象限图:X 轴为「准确优先」到「创造力优先」,Y 轴为「实时不敏感」到「实时敏感」(「海外独角兽」制图):

本期嘉宾和主播

  • 普列思(Plutoless), 开源多模态实时互动框架 TEN Framework 的联合发起人和开发者体验负责人,RTE 开发者社区布道师。拥有多年在实时互动领域的专业从业经验。
  • 钟凯祺 Cage,「海外独角兽」AI Research Lead。
  • 朱峰,「津津乐道播客网络」创始人,产品及技术专家。

听友福利

10 月 25 日到 26 日,RTE 开发者社区联合声网策划的 RTE 大会 2024 将在北京举行。今年的技术论坛将覆盖音视频技术、AI 生成视频、Voice AI、多模态大模型、空间计算和新硬件、云边端架构和 AI Infra 等话题。期待与你一起探索实时互动的更多可能,咱们 10 月 25 日到 26 日,北京见!

获取《编码人声》听众限免门票: r.daofm.cn

同期 AI Workshop 报名:「组装」你的专属多模态 Agent!(10 月 26 日下午,北京)www.bagevent.com

相关内容

  1. 访问 TEN Agent,即刻体验 OpenAI Realtime API
  2. 开源实时多模态 AI 框架 TEN Framework
  3. 嘉宾 Cage 共同撰写文章:《Voice Agent:AI 时代的交互界面,下一代 SaaS 入口
  4. 特德·姜在《纽约客》的文章: Why A.I. Isn’t Going to Make Art

制作团队

后期 / 卷圈
监制 / 姝琦
产品统筹 / bobo
联合制作 / RTE开发者社区

关于「编码人声」

「编码人声」是由「RTE开发者社区」策划的一档播客节目,关注行业发展变革、开发者职涯发展、技术突破以及创业创新,由开发者来分享开发者眼中的工作与生活。
录制嘉宾覆盖信通院 & 科委专家、国内外资深投资人、VR/AR & 虚拟人 & AIGC 等新兴技术领域头部创业者、一线网红 & 硬核开发者、跨界画家 & 作家 & 酿酒师等。

RTE 开发者社区是聚焦实时互动领域的中立开发者社区。不止于纯粹的技术交流,我们相信开发者具备更加丰盈的个体价值。行业发展变革、开发者职涯发展、技术创业创新资源,我们将陪跑开发者,共享、共建、共成长。

社区于2023年底正式启动了「主理人+工作组」的运营机制,并确认了社区的 3 位联合主理人 ——
· 零一万物 01.AI 开源负责人 @林旅强 Richard
· FreeSWITCH 中文社区创始人 @杜金房
· 小红书音视频架构负责人 @陈靖

本节目由津津乐道播客网络与 RTE 开发者社区联合制作播出。

RTE 开发者社区 | 公众号:RTE开发者社区 | 津津乐道播客官网 | 版权声明 | 评论须知 | 加入听友群

展开Show Notes
四十不获
四十不获
2024.10.09
1:01:59 对于asr和tts的继续使用这段比较认同。asr和tts有特定的需求,目前不会被e2e speech替代。反而是e2e的market pmf反而有些令人疑惑。
topsavor
topsavor
2024.10.08
小白有一个问题没太听明白希望老师们解答一下:我的理解是realtime api虽然是一个s2s的交互方式,但在大模型里实际inference还是得转成文字token,因为llm是用文字训练的。那realtime api和普通的llm区别还是在音频信号的处理和特殊web socket的建立,which应该消耗的是cpu资源,这个本身的计算成本为什么会很高呢? 还是说这个成本其实是高在这个技术的开发带来的前期成本?
火星_2fdd:其实主要是无状态 -> 有状态api的变化 意味着服务需要额外管理session和缓存状态 同时有音频编解码消耗 + tts的算力开销 考虑到并发 开销相对原来的无状态纯文本处理肯定是高很多的 哪怕成本不都是gpu。另外除了成本这里也会有api本身的一些溢价
topsavor:I see。我可能对有状态api的理解太浅,对这块的开销想象力有限。谢谢分享!
更新啦!
MakerYang
MakerYang
2024.10.08
在哪申请门票?
傅丰元
:
shownote里听友福利里有链接
topsavor
topsavor
2024.10.08
学到了 谢谢