关注共识粉碎机,获取历史讨论会纪要
本期讨论会参与者:
杜金房老师:烟台小樱桃网络科技有限公司创始人,FreeSWITCH 中文社区创始人,RTS 社区和 RTSCon 创始人,《FreeSWITCH 权威指南》、《Kamailio 实战》、《深入理解 FFmpeg》作者,FreeSWITCH 开源项目核心 Committer。杜老师同时是 RTE 实时互动开发者社区联合主理人。
刘连响老师:资深RTC技术专家,推特@leeoxiang。
史业民老师:实时互动AI创业者,前智源研究院研究员。
徐净文老师:负责百川的战略、投融资、开源生态、海外等业务。
GPT4o前调用OpenAI API延迟极限情况下可以压缩到2秒
中美跨海光缆差不多100-200ms,如果考虑丢包,那平均在300-400ms。
语音场景需要经过ASR(语音转文本),在大模型无法流式输入的情况下,一般需要说完一句话再喂给大模型,平均需要400-500ms延迟。
如果不考虑Planning和RAG等环节,只计算First Token的话过去平均需要700-1000ms延迟。
大模型可以流式输出,但一般第一句话节后给TTS(文本转语音),TTS环节也需要400-500ms延迟。
所以整体延迟最低可以低到2秒。
上述场景主要是考虑的网络良好的情况,如果在室外体验,丢包概率会大幅增加,延迟还会再往上波动。
但在客服等场景中还经常需要做Planning和RAG,延迟会进一步增加
上述主要是可以用First Token来判断延迟的场景,对话内容比较简单。
像在类似客服等场景,在First Token前还需要先做Planning和RAG,就可能还需要经历1-2次完整延迟,整体延迟就会远远超过2秒,可能到4-5秒或者更高。
GPT4o优化延迟的机制
VAD(Voice Activity Detection)提升:VAD主要用于尽早发现用户说完话,用于触发大模型,过去用停顿时间判断,现在可能有了语义理解能力。
端到端能力:端到端可以替换掉ASR和TTS的延迟,开发者未来可以用GPT4o的ASR/TTS,也可以自己做。
其他延迟优化还包括流式处理、异步处理,多个模块在向量画的过程中如何统一,在GPT4o的设计上有很多巧思。
VAD模块可能也应用了LLM
之前有一些简单的VAD判断标准,比如停顿1000毫秒,就默认用户说完话了。
但现在GPT4o为了节省时间,单纯用停顿判断肯定不可能,应该要走到语义层面。
最极端或者暴力的方案,可以拿GPT4o的模型去Finetune一个小的VAD模型,模型可以控制在0.5B-1B的规模,类似于向下降维打击的方式实现VAD。
这样对于VAD模型来说,Input是Audio,Output就是说完与否的“Yes or No”。
GPT4o后,还可以通过工程并发的方式进一步降低延迟
在GPT4o前,工程角度已经可以在一些特殊场景,提前做好RAG等检索工作,然后再将TTS与Output等场景做成并行,通过很多工程做法,在不考虑跨海传输的情况下,有机会将延迟控制在1秒以内。
现在在复杂一点的场景,甚至到Planning和RAG相关的场景,也可以尝试做并行进一步压缩延迟。
基于DSL(Domain SPecific Language)结果做RAG、对输入的Vision和Audio做向量化预处理、刚刚提到的VAD,这三个部分也可以做并行。
现在还不确定OpenAI会不会开放着三个接口,从模型工程角度来说,如果这几个部分都做好,几乎可以把RAG的延迟都覆盖掉。
在做应用的时候还可以用一些鸡贼的产品体验进一步降低“延迟感”
了提高用户体验,可以在产品层面做一些改动。例如OpenAI的Demo中,在响应时间的过程里,手机中的画面会有波动的动画,在这个过程中,哪怕没有任何的实质性输出,人看到动画也会觉得亲切一些,对延迟的敏感度也会降低。
在下面杜金房老师演示的视频中,也可以通过“嘟”的方式给用户起到心理安慰,“AI马上就要说话了”。
但这种场景也会有明显的局限,只适合用户已经知道对面是AI的情况,这种情况对延迟的容忍度也会相对较高。在不想让用户知道对面是AI的场景,这类产品功能也会容易暴露对面是AI不是真人。
有哪些实时互动场景可以开始做了
类似Hume.AI等各种陪伴产品。
VR游戏=Vision Pro/PICO场景的互动产品。
互动机器人,互动机器人加入实时互动能力后,对用户体验提升帮助很大。
AI音箱,可能会出现新的落地场景。
还包括现在也有在讨论车载互动能力,让开车的过程中没那么无聊,以及解放双手做一些车内的控制任务。
还有一些典型的行业场景,也很适合实时互动需求
这些场景一般都非常个性化。
出现的时候会比较紧急,一点点延迟提高都能带来使用者的体验改善。
可以通过季节性、年龄等维度进行预处理,进一步减少延迟。
医疗进入实时互动可以大大减缓患者焦虑
远程诊断咨询,个性化建议,都可以做非常多的实时性提升。
疾病症状季节性集中度非常高,所以在Planning和RAG上可以做非常多预处理,可以压缩模型时间。
即时交互可以解决心理焦虑,从用户端体验会变得非常好。像美国有个机构Hippocratic AI正在做,延迟大概在5秒,那等5秒的过程患者会非常焦虑的。因为机构Hippocratic AI是用视频/语音方式来解决的,所以需要差不多5秒延迟。模型在延迟上小小提升,就可以解决患者焦虑的状态。
医疗场景中每个人都认为自己的小病是大事,但不一定很严重。如果能够更快的得到权威的回应,就在心理层面有很大的帮助,甚至不一定要在物理层面上改善。只要是及时的回答,就可能能解决问题。
医疗也要分场景,疾病会有轻重之分。如果是重症,那调用Planning和RAG的成分就会非常多,但大部分的医疗场景中,高频发生的还是小病疾病。比如小朋友发烧、老人摔跤、吃过敏药后忘记医嘱喝了酒等场景,不需要调用非常厚的医疗词典,也不需要让很多专家模型介入,这些场景的延迟改善会更加明显一点。在这些场景,5秒到1秒的改善,对于用户体验的提高是非常大的。
目前还没到OTC开药和重症阶段,现在短期还很难因为实时互动改变。但是比如心理辅助,比如患者就站在桥旁边,那实时互动就能立刻见效。
法律引入实时互动后适合现场处理场景
过去的处理周期非常长:形成文档,然后通过人去解决。比如车险报警,过去是拍照上传、交警介入。
现在有了GPT4o的实时机制后,非常多的裁决是可以现场发生的,当然最后处理部分还是需要人来介入。
除了车险和现场暴力事件,剩下的还是一定程度能接受延迟。
教育引入实时后适合在线解题和语言教学场景
GPT4o的Demo上就有在线解题。
解题是个高度个性化的过程,还包括题库的应用,结合RAG和模型能力提高,再加上RTC的实时效果,在线教育领域的教学和辅助能力会有巨大提升,也可以做更多市场化的尝试了。
过去需要上传,需要等待。那现在变成了更像辅导和学习伴侣的过程,在语言教学等场景,会实质性的改变学生的学习曲线和接受度。
GPT4o后最快会是哪些场景能跑出来
最直接的场景是陪伴,因为陪伴对Planning和RAG的要求低,只需要定义好角色背景和音色,而且非常适合应用到GPT4o的端到端场景。很容易就可以把延迟迅速降下来。
客服等场景稍微复杂点,需要用到Planning和RAG,延迟没有陪伴降的这么厉害。在这类场景里,延迟不是主要取决于端到端和First Token,还要取决于整个Pipeline的系统级延迟。但如果做好并行机制和各种优化,也可以到1-2秒的延迟。
在触发机制等问题上还无法做到完全实时
之前提到VAD的进步是延迟降低的一个关键是因素,需要尽早触发多模态模型,那就需要符合VAD的触发条件,在用户无法说话,或者用户正在说话过程中的情况,大模型就无法触发。
举一个例子,在OpenAI的Demo里有一个例子是两个人+一个AI互动,但如果假设A停了几秒,B再去说,就会发现AI提前介入,B的话就会被AI抢了。就必须要提前设计好AB角色以及AI对应角色的角色分析,添加更多的限定条件。
在实时互动场景中,也需要AI能够在用户沟通中回复一些内容,可以更好激发用户去表达,现那也做不到。
如果你要他说话之前就能回答,那还需要做很多工程工作,中间可能还会有误触发方案,但长期应该可以解决。这更多是场景决定的需求,例如实时翻译和需要插话的场景,要设置提前触发的请求规则。但在类似Assistant的场景,就不需要设置插话的提前触发条件。
具体举一些场景来看的话
例如开着摄像头,要试试去看场景有什么变化,有什么危险,如果不设定定时触发机制,那GPT4o无法实时提醒。
例如同声传译和语法纠错场景,需要在说话过程中就进行处理,或者实时纠错。这里也不能直接应用,因为VAD机制需要判断说完话。
例如盲人眼睛场景,用户希望的是戴上眼镜就能实时感受路况。但现在的需要用户不断地问有没有违宪,或者工程上设置一个1-2秒的自动请求机制,来帮助GPT4o高频判断。
总体来讲,GPT4o如果是从助手级别(接收完人类指令),已经几乎完美了。但到了上述要更进一步的实时交互,还存在失望的地方,可能到下一代GPT5可以满足。
在4o发布前,杜金房老师已经将RTC与LLM打通了。当时杜老师在国外要做一个面向外国人的演讲,所以视频用了英文。
ASR+TTS+VAD,都是用已有的技术供应商。
整体链路是语音识别后,文字发给GPU,反馈结构后,再调用TTS产生声音。
为了改善用户提现,在正式回答前加入了“嘟”的音效,可以在听感上降低~100ms延迟。
在这个场景中,First Token的延迟更为关键,TTS也可以与Token生成几乎同步,LLM返回来的结果将标点符号切开,做好序号,然后喂给TTS。
GPT4o为什么需要RTC?用RTC的LLM会产生时空穿越??
在GPT4o的RTC场景中有两个方向,Input和Output。
Input场景中,LLM需要实时接收用户的视频,人不能加速产生内容,为了降低100-200毫秒的延迟,RTC可以被视作是必须的解决方案。
Output场景中,RTC不一定是必须,也可以用WebSocket等方案,链路存在但是开发者还没有大范围集成。
与Input场景不同,在Output场景中,LLM生成音视频未来可能做到两倍速,甚至四倍速、八倍速。那Output的Token生成速度会比时间还快,但是播放时候必须是一倍速,这就造成了在倍速场景中会有时空穿越的感觉,延迟实际上是负数。只要解决首帧、First Token的延迟就可以了。内容会因为生成比播放还快,而先预存在本地,然后再播放,就类似现在听网络小说、看视频一样。
如果开发者有很强的优化能力,或者传输数据量没那么大的情况,提前做好ASR/TTS等,那可能可以不用RTC。
LLM可能还会影响新的RTC技术
RTC行业发展这么多年了,已经很成熟了,看不到明显的增长了,LLM出来后大家很兴奋,觉得应该能做点事情。
最直接的交互方式还是语音和视频,也是RTC的强项,有些人在探索结合,也有直接转型LLM的。
GPT4o出来后,大家又看了新挑战,比如做四倍速RTC、八倍速RTC,可能还会有新的RTC技术出来。
我们现在很多假设都是RTC一倍的情况,未来RTC可能是两倍、四倍场景。那在正常情况下,比如RTC是500毫秒延迟,但是弱网可能就是1秒,稍微慢一点也能接受。但如果未来有了两倍速RTC,那可能网络条件差了点,延迟还是在500毫秒到1秒之间,那也会有很大帮助。
但目前的LLM RTC需求还不复杂
主要还是一进一出的场景。
以前RTC场景里复杂的比如小班课,一堂课可能有几十路RTC,就比一进一出高很多。
难度可能还比不上直播连麦的难度,直播间里玩法也非常多样。
未来也要看LLM玩法的迭代,越复杂的玩法需求越大
RTC国内最大的是社交娱乐和教育,后面来来回回想了很多场景要起来,比如IoT等,但最后还是没起来。现在还不确定LLM会不会也是这样一个需求,谨慎乐观。
除了直接延迟外,RTC在网络不好的场景,以及对打断有需求的场景有明显优势
网络好的时候延迟差别不大。但是网络不好的时候差别很大,比如丢了个包那来回200毫秒就没了,如果再丢一个包那20毫秒又没了。TCP是最后组件,前面的延迟炸了,后面也会累积。
RTC做了很多抗弱网策略,加重传策略,包括猜测下一个声音做补全等。
没办法直接给出和CDN延迟差多少,还是Case by Case,只能说不好的情况下差比较多。
RTC也适合互相打断,流式传输必备。CDN不适合打断场景。
Google在2010年收购了WebRTC技术公司,然后再2011年通过Chrome开放了WebRTC源代码,相当于Chrome就具有了实时能力。因为要做一套RTC引擎成本还很高,涉及到算法、编解码、各种规范,Google 开放 WebRTC 之前 有能力把 RTC 做好的并不多。
2013-2014就有第一波热潮,那时候出现了很多RTC创业公司,然后很快都接着死了。迎来了第一波低谷。
2015年出现了声网,后面国内也有几家。2016-20187,国内出现了上千直播平台,开始有了连麦的需求。然后紧接着2018年在线教育跑起来了。
2020年最大的一波来了,疫情期间,包括各种视频会议、在线教育等居家办公需求。
疫情热度过后,RTC需求就开始降温了,进入第二次低谷。
OpenAI目前选择了LiveKit,但未来API可能可以不与LiveKit绑定
看全球的RTC供应商,除了国内的声网、腾讯TRTC等也多数不能打。
OpenAI在选择方案的时候肯定非常谨慎,可能会更多考虑开放标准,也会考虑到中国公司的情况。如果是闭源方法,就会涉及到开发者怎么选择;不能绑定一家商业公司。在这个层面,LiveKit是个非常好的生态位,你想用的话可以用LiveKit的Cloud,也可以自己建。
OpenAI现在也开始自己招人,那和LiveKit可能就是合作关系,前期可能会给一些咨询费一起共建,但后面可能还是会自建。
未来可能是ChatGPT产品用LiveKit,API端可能不绑定RTC。
未来客户可能也能使用商业RTC方案
现在给不出一个准确的答案,这个要取决于OpenAI的决策。
但推测OpenAI可以采用一个开放的标准,让各家产品都可以接入,这是一个更加平台风格的选择。
比如客户想做成商业产品或者在全球应用,那就采用商用方案,这是最省研发成本的。
使用GPT4o不一定必须用其自带的TTS
TTS都在一个大模型里面,对开发者不是那么友好。
比如Hume.AI,已经带有情感TTS的,那怎么和新4o去闭环;客户不一定能接受OpenAI现在给的几种声音模式,会有更多样化的需求,比如更像某个人的声音(定制化的),或者更卡通化等风格需求。
那可能4o API最好同时支持Voice出和Text出。
各方是怎么看要不要用RTC的
模型公司角度很可能会优选RTC,成熟,可拓展性也好,同时可以开放给开发者不同选择。
开发者角度,延迟还是越少越好,越实时互动的场景越需要RTC。
如果全部使用GPT4o,端侧只接收视频,就几乎不需要算力
如果要将VAD技术放在端侧,那端侧就需要一定算力。但总体会远远低于LLM的算力。
我们即将举办第十七期讨论会,时间在6月1日(周六)北京时间上午10点/湾区周五晚19点讨论话题是《AI Coding以及对Coding相关软件的影响》。
在本次讨论会中,我们邀请到了:
LucyGao,TabbyML(https://tabby.tabbyml.com,开源AI coding assistant)联创,ex- engineer @ Google AI / PM @ TikTok AI creation
XiaoleiZhu,AI编程独角兽公司AugmentCode
下面这张OpenSource AI Coding Project图也可以看出来TabbyML最近的势头很猛哈
请点击阅读原文报名!!!
过往的讨论会纪要请参考:
欢迎加入共识粉碎机的活动讨论群,获取更多活动信息
大模型未来三年的十个假设
Data Infra:大模型决战前夜