GPT-4o的“AI視頻通話”一鴿再鴿，但網(wǎng)友卻是急不可耐想要體驗。

于是，一位名叫Santiago（我們叫他三哥）的博主，用160行Python代碼嘗試了復刻。

雖然技術路線和《Her》有所差別，但從直觀效果來看，也算得上是給網(wǎng)友們帶來了新的玩具。

而且不僅是炫技，三哥是真的在試圖把網(wǎng)友教會，用了半個多小時的時間講解他的操作過程。

不過，三哥的自我介紹中說，自己是一個講授硬核機器學習知識的博主，之前也推出過不少課程。

所以講課這件事對三哥來說，也可以算是老本行了。

對三哥這次推出的新課，網(wǎng)友給予了很高的評價，表示不僅內(nèi)容很贊，而且講解得也很好。

甚至為了防止你覺得學起來太麻煩，三哥直接就把程序代碼給公開了。

還有網(wǎng)友在線催更，有的想要增加屏幕讀取的功能，還有人想要移動版……

用Python實現(xiàn)AI視頻通話

三哥做的視頻通話程序名叫Alloy Voice Assistant（簡稱Alloy），在視頻中他演示了這樣幾組對話效果。

首先是一道基礎問題，三哥讓Alloy識別一下自己戴的眼鏡是什么顏色。

這道題對Alloy來說確實是沒什么難度，很輕松就能回答上來是黑色。

接下來，三哥就要給Alloy上難度了，這次要識別的是棒球帽上的徽章，并分析出所代表的球隊。

這次不僅要識別的內(nèi)容和鏡頭的距離變遠了，而且Alloy需要一次性識別六個。

關于視頻中涉及的棒球帽，我們來看下特寫：

從左到右依次是（洛杉磯）道奇隊、（華盛頓）國民隊、（波士頓）紅襪隊、（休斯頓）太空人隊、（芝加哥）小熊隊和（堪薩斯城）皇家隊。

我們再來看下Alloy給出的回答……完全正確。

最后一題，Alloy需要識別的內(nèi)容變成了文字——不僅要知道寫了什么，還要知道文字代表的含義。

只見三個拿出了一本書朝向了鏡頭，先后詢問Alloy書的名稱和作者。

這本書是蘋果機器學習高級工程師Robert Munro Monarch寫的Human-in-the-Loop Machine Learning（《人在回路·機器學習》），Alloy回答對了。

從三哥的演示中我們可以看出，Alloy在識別和回答的準確率上還是很能打的，不過響應的速度也確實慢了一些。

但畢竟不是原生功能，需要在多個API之間進行跳轉(zhuǎn)，所以也算是可用。

那么Alloy到底是怎么實現(xiàn)的呢？三哥進行了在線教學。

37分鐘細致講解，還有開源懶人版

跟隨著三哥的講解，我們先來看一下都需要用到哪些工具。

既然要“視頻通話”，當然就得有視覺處理模塊，三哥用OpenCV來對畫面進行捕獲，然后交給多模態(tài)大模型進行處理。

具體的大模型可以有多種選擇，包括GPT-4o、Claude和Gemini 1.5 Pro等，同時大模型還要承擔文本處理的任務。

這是由于Alloy并非原生支持音頻模態(tài)，所以處理音頻的方式是通過文本作為中介實現(xiàn)，這就需要用到語音識別和合成模塊，這里三哥用的分別是OpenAI的Whisper和TTS引擎。

另外，為了讓大模型的集成變得更加容易，三哥這里還使用到了大模型編程框架LangChain。

最重要的，想要把這些模塊都組合在一起，就需要用Python來編寫代碼，也要有相應工具的API。

看到這些工具，Alloy的大致工作流程也就清晰明了了——

麥克風和攝像頭負責收集視覺和聲音信息，然后聲音被轉(zhuǎn)換成文本并于視覺信息一起通過API送入大模型，大模型完成分析后以文本形式回傳，最后用TTS模塊合成語音并通過揚聲器播放。

具體操作中，需要先安裝好所需要的依賴庫，并申請相應大模型的API，并創(chuàng)建一個Python程序加載這些依賴。

之后是編寫WebcamStream類，用來捕獲攝像頭當中的圖像，這里就用到了OpenCV當中的VideoCapture。

視頻中，三哥針對每一行代碼的含義和作用都進行了解釋，感興趣的話可以看原視頻，這里就不一一展開了。

之后是Assistant類，也是整個Alloy系統(tǒng)中最核心的環(huán)節(jié)，從初始化和配置AI模型，到處理用戶輸入、聲文互轉(zhuǎn)、生成回答，再到對話記錄的管理，Assistant都發(fā)揮著重要作用。

可以說，Assistant類是串起用戶、輸入設備和AI模型的橋梁，也是三哥在整個教程中講解時間最長的一部分。

把這兩個類定義好之后，最后就是主程序的設計，首先為這兩個類各創(chuàng)建一個實例，之后配置攝像頭和麥克風，就可以進入主循環(huán)體了。

主循環(huán)體會不斷從WebcamStream實例中讀取最新的視頻幀，并使用OpenCV的imshow()函數(shù)在窗口中實時顯示。

同時，當語音識別器檢測到用戶開始說話并結(jié)束時，會自動將語音轉(zhuǎn)換為文本，并調(diào)用相關函數(shù)進行處理。

以上就是Alloy搭建的大致流程了，如果看了覺得實在太麻煩不想自己動手的話，三哥還在GitHub上準備了懶人版。

只需要根據(jù)選擇的模型調(diào)整幾行代碼并填好API，就能直接用了。

如果你也想體驗一下AI視頻通話的話，不妨動手試一下吧。

原視頻地址：https://www.youtube.com/watch?v=zVttVCQvACQGitHub：
https://github.com/svpino/alloy-voice-assistant