聆思CSK6大模型多模态SDK除了支持语音交互之外,还支持图像方面的交互,包括对图像的识别以及图片生成。用户可以通过语音交互、摄像头拍照作为交互入口,实现与大模型的多模态交互。
SDK主要包含以下功能:
●语音交互:支持按键录音或唤醒后通过语音与大模型进行对话
●拍照识图:支持通过摄像头拍摄图像并上传给大模型进行识别,支持依据识图内容进行提问
●图片生成:支持通过语音交互描述画面内容,令大模型生成图片并显示至套件屏幕上
多模态SDK支持三种交互方式,其特点如下:
模式 | 唤醒方式 | 交互方式 |
按键交互 | 按下屏幕麦克风图标或开发板K3按键 | 按住按键说话,松开提交 |
语音唤醒(单轮) | 唤醒词 “小美小美” | 听到提示音 “在呢” 后进行提问,每次提问均需要唤醒 |
语音唤醒(多轮) | 唤醒词 “小美小美” | 听到提示音 “在呢” 后进行提问,可持续对话,当超过20秒无语音输入时自动结束本次交互 |
在待机页面,下滑可调出下滑菜单,点击下滑菜单中的 设置图标,可进行配置页面。
选中对应的模式后,点击左上角即可回到待机页面并生效。
按键交互模式设置成按键交互(按键唤醒)模式下,按住屏幕上的麦克风按钮或开发板上的K3按键,即进入录音状态,松开按键则结束录音并提交。
当设置为语音唤醒(单轮)或语音唤醒(多轮),可通过唤醒词 —— “小美小美” 对设备进行唤醒,当听到 “在呢” 的提示音后,即可正常进行语音输入。
退出对话在使用过程中,点击左上角即可结束本轮对话回到待机页面,此操作会同步清除本次对话的上下文信息。
在待机页,点击拍照按钮即可进入取景页面,对准要拍照的物体,点击右侧中间的拍照键完成抓拍,确认画面抓拍正常后(无晃动模糊的情况),点击右侧的 √ 进行提交识别。
在设备进入语音交互状态后,可以通过带有绘画意图的提示词让大模型进行作画,比如:
●“画一只熊猫”
●“画一个人正在使用电脑”
语音视觉大模型开发板 SDK:https://cloud.listenai.com/CSKG962172/duomotai_ap/-/tree/master/
DEMO固件下载:https://docs2.listenai.com/x/UzjbjIAxw