2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

OpenAI Realtime 低延迟,多模态,实时语音交互

发布日期:2024-10-08 21:10:59 浏览次数: 4659
作者:机智相伴

微信搜一搜,关注“机智相伴”

OpenAI 公布了五项重大创新,其中“实时 API”(Realtime API)的新功能,使得开发者能够创建具有低延迟、AI 生成的语音响应功能的应用程序。尽管这一功能不完全等同于 ChatGPT 的高级语音模式,但其能力已经非常接近,旨在帮助开发者为用户提供近乎实时的语音到语音互动体验。除此之外,OpenAI 还发布了其他一系列新功能,旨在进一步提升开发者的 AI 应用构建体验。

包括实时语音API、提示词缓存、模型蒸馏、视觉微调、新Playground。

这些创新将改变开发者与AI互动的方式,并有助于降低AI模型的使用成本,推动多模式的语音、视觉等应用的普及。

Realtime API 的革新

传统上,处理语音交互需要经过多个步骤(ASR-LLM-TTS),导致响应延迟。在文本交互中,这种延迟可能尚可接受,但在电话客服中则难以容忍。Realtime API 的引入直接解决了这一问题。
OpenAI 的 Realtime API 可以直接处理语音输入和输出,消除了传统语音交互流程中的中间步骤。传统流程通常需要先将语音转换为文本,再将文本转换为语音,这会导致较大的延迟。而 Realtime API 简化了这一过程,实现了语音到语音的直接转换,大幅减少了延迟,提供了流畅的实时交互体验。
在 DevDay 大会上,OpenAI 展示了一个实时语音电话系统,用户可以通过语音指令订购等商品。系统实时捕获用户的语音指令,理解需求,并立即通过语音反馈确认订购信息。这种自然、高效的交互展示了实时语音技术的潜力。
在客户服务领域,这意味着实时语音交互不仅能够提升用户体验,还能使服务更加个性化和及时化。企业可以利用 Realtime API 打造更智能的语音助手和 IVR 系统,特别是在需要快速响应和低延迟互动的场景中,为客户提供即时支持。

实时语音 AI 的应用场景


  1. 智能 IVR:结合语音识别和自然语言处理(NLP),智能 IVR 可以识别用户请求,提供多级菜单选择和自动身份验证,减少对人工客服的依赖,提升服务效率。
  2. 智能路由:通过情感分析和用户历史数据,识别客户情绪和意图,将客户转接给合适的客服代表或曾经服务过的客服人员。
    故障排查:使用语音机器人解决简单问题,无法解决时自动转接人工客服并提供上下文信息,人工客服进行后续问题的解决。
    语音通知与提醒:自动拨号向客户推送重要通知,提供预约提醒、语音关怀、语音促销和未接电话重拨,确保用户不遗漏重要信息。
    销售外呼:基于用户数据生成个性化话术,确定潜在客户优先级,通过语音机器人与客户互动收集反馈,自动记录通话并生成线索报告,提升销售效率

影响与前景

这种无缝、多渠道的体验对客户服务的影响是巨大的。它降低了客户沟通成本,使服务更加人性化,同时让客服人员能够专注于需要人工干预的问题,从而提高服务质量。


个人体验

项目本地部署

OpenAI 在 github 上面发布了最新的 realtime-api 开源项目。该项目是 React 应用程序,用于使用 Realtime API 进行检查、构建和调试。

https://github.com/openai/openai-realtime-console.git

Realtime API 能够构建低延迟、多模式的对话体验。它目前支持将文本和音频作为输入和输出,以及函数调用。

API 的一些显著优势包括:

  1. 本机语音转语音:没有文本中介意味着低延迟、细致入微的输出。

  2. 自然、可操纵的声音:这些模特具有自然的语调变化,可以大笑、耳语并遵循语气方向。

  3. 同步多模态输出:文本有助于审核,比实时更快的音频确保稳定播放。


项目运行需要 node 环境,还有 openai 的 API KEY,并且需要有余额。

# 拉取仓库代码git clone https://github.com/openai/openai-realtime-console.git
cd openai-realtime-console# 安装依赖包npm i
# 启动服务npm start

启动后需要先填入 OpenAI API Key。

进入后就能够看到主界面。

点击右下角的 "connect" 后就会询问开启麦克风。

连接成功后即可进行语音实时聊天。


官方定价

从目前的定价来看,是贵的很,文字1M输入是5刀、输出是20刀,而语音1M输入是100刀、输出是200刀。玩不起


官方 Realtime API 使用示例

Realtime API 是一种基于事件的有状态 API,通过 WebSocket 进行通信。下面是一个使用 Node.js 中流行的 ws 库建立套接字连接、从客户端发送消息以及从服务器接收响应的简单示例。

import WebSocket from "ws";
const url = "wss://api.openai.com/v1/realtime?model=gpt-4o-realtime-preview-2024-10-01";const ws = new WebSocket(url, {headers: {"Authorization": "Bearer " + process.env.OPENAI_API_KEY,"OpenAI-Beta": "realtime=v1",},});
ws.on("open", function open() {console.log("Connected to server.");ws.send(JSON.stringify({type: "response.create",response: {modalities: ["text"],instructions: "Please assist the user.",}}));});
ws.on("message", function incoming(message) {console.log(JSON.parse(message.toString()));});


  • 发送文本

const event = {type: 'conversation.item.create',item: {type: 'message',role: 'user',content: [{type: 'input_text',text: 'Hello!'}]}};ws.send(JSON.stringify(event));ws.send(JSON.stringify({type: 'response.create'}));


  • 发送音频

import fs from 'fs';import decodeAudio from 'audio-decode';
// Converts Float32Array of audio data to PCM16 ArrayBufferfunction floatTo16BitPCM(float32Array) {const buffer = new ArrayBuffer(float32Array.length * 2);const view = new DataView(buffer);let offset = 0;for (let i = 0; i < float32Array.length; i++, offset += 2) {let s = Math.max(-1, Math.min(1, float32Array[i]));view.setInt16(offset, s < 0 ? s * 0x8000 : s * 0x7fff, true);}return buffer;}
// Converts a Float32Array to base64-encoded PCM16 database64EncodeAudio(float32Array) {const arrayBuffer = floatTo16BitPCM(float32Array);let binary = '';let bytes = new Uint8Array(arrayBuffer);const chunkSize = 0x8000; // 32KB chunk sizefor (let i = 0; i < bytes.length; i += chunkSize) {let chunk = bytes.subarray(i, i + chunkSize);binary += String.fromCharCode.apply(null, chunk);}return btoa(binary);}
// Using the "audio-decode" library to get raw audio bytesconst myAudio = fs.readFileSync('./path/to/audio.wav');const audioBuffer = await decodeAudio(myAudio);const channelData = audioBuffer.getChannelData(0); // only accepts monoconst base64AudioData = base64EncodeAudio(channelData);
const event = {type: 'conversation.item.create',item: {type: 'message',role: 'user',content: [{type: 'input_audio',audio: base64AudioData}]}};ws.send(JSON.stringify(event));ws.send(JSON.stringify({type: 'response.create'}));


更多示例可以阅览官方的说明文档。

https://platform.openai.com/docs/guides/realtime


TO B:Azure-Open AI


Azure-OPen AI- audio-real-time 接口已经上线,大家可以通过Azure 国际站申请测试使用,非常方便

https://learn.microsoft.com/zh-cn/azure/ai-services/openai/how-to/audio-real-time

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅