聆思CSK6大模型多模態(tài)語音交互開源SDK介紹
加入技術交流群
聆思CSK6大模型多模態(tài)SDK除了支持語音交互之外，還支持圖像方面的交互，包括對圖像的識別以及圖片生成。用戶可以通過語音交互、攝像頭拍照作為交互入口，實現(xiàn)與大模型的多模態(tài)交互。
SDK主要包含以下功能：
●語音交互：支持按鍵錄音或喚醒后通過語音與大模型進行對話
●拍照識圖：支持通過攝像頭拍攝圖像并上傳給大模型進行識別，支持依據(jù)識圖內容進行提問
●圖片生成：支持通過語音交互描述畫面內容，令大模型生成圖片并顯示至套件屏幕上
多模態(tài)SDK支持三種交互方式，其特點如下：
模式 | 喚醒方式 | 交互方式 |
按鍵交互 | 按下屏幕麥克風圖標或開發(fā)板K3按鍵 | 按住按鍵說話，松開提交 |
語音喚醒(單輪) | 喚醒詞 “小美小美” | 聽到提示音 “在呢” 后進行提問，每次提問均需要喚醒 |
語音喚醒(多輪) | 喚醒詞 “小美小美” | 聽到提示音 “在呢” 后進行提問，可持續(xù)對話，當超過20秒無語音輸入時自動結束本次交互 |
在待機頁面，下滑可調出下滑菜單，點擊下滑菜單中的 設置圖標，可進行配置頁面：
選中對應的模式后，點擊左上角即可回到待機頁面并生效。
設置成按鍵交互(按鍵喚醒)模式下，按住屏幕上的麥克風按鈕或開發(fā)板上的K3按鍵，即進入錄音狀態(tài)，松開按鍵則結束錄音并提交。
語音喚醒模式
當設置為語音喚醒(單輪)或語音喚醒(多輪)，可通過喚醒詞 —— “小美小美” 對設備進行喚醒，當聽到 “在呢” 的提示音后，即可正常進行語音輸入。
退出對話在使用過程中，點擊左上角結束本輪對話回到待機頁面，此操作會同步清除本次對話的上下文信息。
在待機頁，點擊拍照按鈕即可進入取景頁面，對準要拍照的物體，點擊右側中間的拍照鍵完成抓拍，確認畫面抓拍正常后（無晃動模糊的情況），點擊右側的 √ 進行提交識別：
在設備進入語音交互狀態(tài)后，可以通過帶有繪畫意圖的提示詞讓大模型進行作畫，比如：
●“畫一只熊貓”
●“畫一個人正在使用電腦”
語音視覺大模型開發(fā)板 SDK：https://cloud.listenai.com/CSKG962172/duomotai_ap/-/tree/master/
DEMO固件下載：https://docs2.listenai.com/x/UzjbjIAxw
*博客內容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權請聯(lián)系工作人員刪除。
