聆思CSK6大模型多模態(tài)語音交互開源SDK介紹

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(shí)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(jìn)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(jìn)行識別，支持依據(jù)識圖內(nèi)容進(jìn)行提問

●圖片生成：支持通過語音交互描述畫面內(nèi)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(diǎn)如下：

在待機(jī)頁面，下滑可調(diào)出下滑菜單，點(diǎn)擊下滑菜單中的 設(shè)置圖標(biāo)，可進(jìn)行配置頁面：

選中對應(yīng)的模式后，點(diǎn)擊左上角即可回到待機(jī)頁面并生效。

設(shè)置成按鍵交互(按鍵喚醒)模式下，按住屏幕上的麥克風(fēng)按鈕或開發(fā)板上的K3按鍵，即進(jìn)入錄音狀態(tài)，松開按鍵則結(jié)束錄音并提交。

語音喚醒模式

當(dāng)設(shè)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(shè)備進(jìn)行喚醒，當(dāng)聽到 “在呢” 的提示音后，即可正常進(jìn)行語音輸入。

在使用過程中，點(diǎn)擊左上角結(jié)束本輪對話回到待機(jī)頁面，此操作會同步清除本次對話的上下文信息。

在待機(jī)頁，點(diǎn)擊拍照按鈕即可進(jìn)入取景頁面，對準(zhǔn)要拍照的物體，點(diǎn)擊右側(cè)中間的拍照鍵完成抓拍，確認(rèn)畫面抓拍正常后（無晃動模糊的情況），點(diǎn)擊右側(cè)的 √ 進(jìn)行提交識別：

在設(shè)備進(jìn)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(jìn)行作畫，比如：

●“畫一只熊貓”

●“畫一個(gè)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