WEBVTT

00:00:00.000 --> 00:00:17.000
我們講的是一個Worthy Agent一個小案例。今天晚上我給大家講的這個Worthy Agent,它的最大的特點就是架構不同。我們採用的是稱之為叫三明治架構。

00:00:17.000 --> 00:00:18.560
讲到这个三明治架构

00:00:18.560 --> 00:00:19.900
我首先给你解释一下

00:00:19.900 --> 00:00:21.760
什么叫三明治架构

00:00:21.760 --> 00:00:23.340
那这里要讲到

00:00:23.340 --> 00:00:25.120
所有市面上的

00:00:25.120 --> 00:00:28.360
只要是涉及到语音制农体的

00:00:28.360 --> 00:00:29.960
三种主流价格

00:00:29.960 --> 00:00:31.260
OK

00:00:31.260 --> 00:00:33.500
从工程的实现角度啊

00:00:33.500 --> 00:00:35.680
我们把所有的语音制农体

00:00:35.680 --> 00:00:38.680
它底层的架构分成三个

00:00:38.680 --> 00:00:40.540
但我这个文档我不可以呢

00:00:40.540 --> 00:00:41.940
一个一个给大家说啊

00:00:41.940 --> 00:00:43.320
这个文档我们明天

00:00:43.320 --> 00:00:45.880
训练结束之后的时候会发啊

00:00:45.880 --> 00:00:46.400
包括代码

00:00:46.400 --> 00:00:47.220
包括代码也会发

00:00:47.220 --> 00:00:48.040
好

00:00:48.040 --> 00:00:49.300
我们继续讲

00:00:49.300 --> 00:00:50.620
第一种架构

00:00:50.620 --> 00:00:52.740
就是我今天晚上我要讲的三明治架构

00:00:52.740 --> 00:00:56.520
它采用的是STT加上大语言推定模型

00:00:56.520 --> 00:00:58.260
加上TTS模型

00:00:58.260 --> 00:00:59.780
你看很明显

00:00:59.780 --> 00:01:00.820
看到有个这么东西

00:01:00.820 --> 00:01:02.200
像一个三明治一样

00:01:02.200 --> 00:01:04.040
把一个东西夹在中间

00:01:04.040 --> 00:01:07.500
把Agent加上推定模型夹在中间

00:01:07.500 --> 00:01:07.900
对吧

00:01:07.900 --> 00:01:10.260
这个就是所谓三明治架构

00:01:10.260 --> 00:01:12.300
三明治架构什么好处

00:01:12.300 --> 00:01:13.880
稍等我等会把这个讲完

00:01:13.880 --> 00:01:15.920
第二种是原生

00:01:15.920 --> 00:01:19.560
原生实时的speed to speed的架构

00:01:19.560 --> 00:01:22.000
原来我用的就是speed to speed的架构

00:01:22.000 --> 00:01:22.540
再讲一次

00:01:22.540 --> 00:01:24.680
这个架构就是speed to speed的架构

00:01:24.680 --> 00:01:26.260
那这个特点呢

00:01:26.260 --> 00:01:27.500
就是你得找一个

00:01:27.500 --> 00:01:31.860
可以实时进行语音交付的多模态模型

00:01:31.860 --> 00:01:34.480
这一定要是实时的

00:01:34.480 --> 00:01:37.640
real time的一定是实时的

00:01:37.640 --> 00:01:41.260
如果你找的不是那种实时的多模态大模型

00:01:41.260 --> 00:01:41.600
不行

00:01:41.600 --> 00:01:43.820
但问题在于

00:01:43.820 --> 00:01:44.740
来了啊

00:01:44.740 --> 00:01:53.820
问题在于市面上现在很少有成熟稳定的知名的实时的多模态大模型

00:01:53.820 --> 00:01:55.880
包括国内包括国外

00:01:55.880 --> 00:01:58.980
很多人说老师不对啊

00:01:58.980 --> 00:02:00.100
那个那个

00:02:00.100 --> 00:02:06.340
那个质朴的质朴那个5.5.6 5.7

00:02:06.340 --> 00:02:09.320
我知道他是多模态的大模型

00:02:09.320 --> 00:02:11.980
他能够处理语音啊

00:02:11.980 --> 00:02:12.640
你要明白

00:02:12.640 --> 00:02:14.700
这个所说的多模特大模型

00:02:14.700 --> 00:02:18.980
它不单是输入是语音图片文字视频

00:02:18.980 --> 00:02:22.160
输出也是语音文字图片视频

00:02:22.160 --> 00:02:23.720
你要明白这一点

00:02:23.720 --> 00:02:26.880
对我们的语音这东西来说

00:02:26.880 --> 00:02:29.400
那输出也应该是语音

00:02:29.400 --> 00:02:31.580
所以实际上

00:02:31.580 --> 00:02:33.660
满足这个要求的

00:02:33.660 --> 00:02:36.220
目前我主流的那些大模型

00:02:36.220 --> 00:02:36.860
其实很少

00:02:36.860 --> 00:02:37.620
几乎没有

00:02:37.620 --> 00:02:39.840
目前我怎么没找到一个

00:02:39.840 --> 00:02:41.560
我给大家随便说几点

00:02:41.560 --> 00:02:43.140
这个稍微扩展一下好吧

00:02:43.140 --> 00:02:45.780
这个大家对模型的分类

00:02:45.780 --> 00:02:46.840
也一个最基本的了解

00:02:46.840 --> 00:02:48.400
这个所以我觉得也不是

00:02:48.400 --> 00:02:50.860
也不是这个扯淡

00:02:50.860 --> 00:02:53.120
应该是增加一下大家的知识面

00:02:53.120 --> 00:02:54.420
大家可以看到

00:02:54.420 --> 00:02:55.760
制谱里面也有

00:02:55.760 --> 00:02:56.680
签问里面也有

00:02:56.680 --> 00:02:59.420
包括国外的这个OpenAI的GPD5.6

00:02:59.420 --> 00:03:00.120
5.5

00:03:00.120 --> 00:03:01.100
很多同学说

00:03:01.100 --> 00:03:02.840
这不都是多模态大模型吗

00:03:02.840 --> 00:03:03.520
你要注意

00:03:03.520 --> 00:03:04.040
是的

00:03:04.040 --> 00:03:06.040
他们是确实实是多模态大模型

00:03:06.040 --> 00:03:08.060
但是这里面所说的多模态大模型

00:03:08.060 --> 00:03:10.680
跟我们讲的real time的多模态大模型

00:03:10.680 --> 00:03:12.900
多模态语音大模型还不一样

00:03:12.900 --> 00:03:14.200
不一样在哪里呢

00:03:14.200 --> 00:03:15.300
你看我们随便打开一个

00:03:15.300 --> 00:03:17.740
比如说假设我们很多人说

00:03:17.740 --> 00:03:19.160
老师你看这个5V

00:03:19.160 --> 00:03:21.040
质朴的5V

00:03:21.040 --> 00:03:23.140
或者是4.6V

00:03:23.140 --> 00:03:23.880
也无所谓了

00:03:23.880 --> 00:03:25.140
那你发现没有

00:03:25.140 --> 00:03:26.940
它最大的一个问题就在这

00:03:26.940 --> 00:03:31.200
我不知道大家看到了没有

00:03:31.200 --> 00:03:33.480
看到没

00:03:33.480 --> 00:03:35.380
它的输入没问题

00:03:35.380 --> 00:03:36.320
支持多模态的

00:03:36.320 --> 00:03:38.100
但是输出不支持多模态

00:03:38.100 --> 00:03:39.320
懂吗

00:03:39.320 --> 00:03:42.640
老师那他输出不知是多么

00:03:42.640 --> 00:03:47.640
他为什么就不能作为你刚刚所说的这个架构的一种模型呢

00:03:47.640 --> 00:03:53.080
因为语音制浓体它最重要的是实时性

00:03:53.080 --> 00:03:57.660
你不能说老师我语音制浓体简单

00:03:57.660 --> 00:03:59.720
我反正输的是语音

00:03:59.720 --> 00:04:02.780
最后生成的回复的也是语音就行了嘛

00:04:02.780 --> 00:04:03.860
没错

00:04:03.860 --> 00:04:05.740
确实没错

00:04:05.740 --> 00:04:07.660
大家讲这个是对的

00:04:07.660 --> 00:04:10.700
但是市面上的这个语音直农体

00:04:10.700 --> 00:04:12.580
跟真正意义上的

00:04:12.580 --> 00:04:14.100
我所说的语音直农体项目

00:04:14.100 --> 00:04:15.240
最大的一个问题

00:04:15.240 --> 00:04:18.120
就在于这个延迟性和实时性

00:04:18.120 --> 00:04:22.240
这个正要八经的语音直农体的延迟性

00:04:22.240 --> 00:04:23.520
你应该是感受不出来

00:04:23.520 --> 00:04:27.200
大概在零点二秒以内

00:04:27.200 --> 00:04:29.240
对大家听到这个词啊

00:04:29.240 --> 00:04:31.660
零点二秒以内

00:04:31.660 --> 00:04:33.660
让人类感受不出来

00:04:33.660 --> 00:04:36.900
那老师那那那叫你这么说

00:04:36.900 --> 00:04:38.500
我用质谱的这个5V

00:04:38.500 --> 00:04:39.740
他能感受得出来吗

00:04:39.740 --> 00:04:40.660
当然会

00:04:40.660 --> 00:04:42.420
好吧

00:04:42.420 --> 00:04:43.200
当然会

00:04:43.200 --> 00:04:45.080
如果你采用的是speed to speed的话

00:04:45.080 --> 00:04:45.800
他当然会

00:04:45.800 --> 00:04:46.080
为什么

00:04:46.080 --> 00:04:47.980
因为他输出的是文本

00:04:47.980 --> 00:04:50.040
你还需要再把文本变成什么

00:04:50.040 --> 00:04:51.380
变成语音

00:04:51.380 --> 00:04:54.260
对吧

00:04:54.260 --> 00:04:55.500
是不是

00:04:55.500 --> 00:04:56.420
好

00:04:56.420 --> 00:04:57.860
那还有棒连

00:04:57.860 --> 00:04:59.180
这个棒连

00:04:59.180 --> 00:05:00.580
这个棒连

00:05:00.580 --> 00:05:00.860
这个棒连

00:05:00.860 --> 00:05:00.900
这个棒连

00:05:06.900 --> 00:05:07.620
实时

00:05:07.620 --> 00:05:09.500
人生实时的一个特点

00:05:09.500 --> 00:05:10.440
好

00:05:10.440 --> 00:05:11.600
我讲完这个之后了

00:05:11.600 --> 00:05:13.160
当我这里没讲详细啊

00:05:13.160 --> 00:05:15.440
我重点是想谈两件事情

00:05:15.440 --> 00:05:17.120
第一件事情

00:05:17.120 --> 00:05:19.360
就你既然是一个智能体

00:05:19.360 --> 00:05:22.360
那么智能体得有循环迭代

00:05:22.360 --> 00:05:24.360
得有用户意图识别

00:05:24.360 --> 00:05:26.500
得有工具的调用

00:05:26.500 --> 00:05:27.840
skill的调用

00:05:27.840 --> 00:05:29.440
等等上下文管理

00:05:29.440 --> 00:05:30.900
你既然是个智能体

00:05:30.900 --> 00:05:32.760
你是不是这些都应该有

00:05:32.760 --> 00:05:34.560
没错吧

00:05:34.560 --> 00:05:35.740
好

00:05:35.740 --> 00:05:36.940
但问题在于

00:05:36.940 --> 00:05:40.660
如果你采用这种原生的实时的

00:05:40.660 --> 00:05:41.940
这种价格的方式的时候

00:05:41.940 --> 00:05:44.200
你发现你去找一个这样的模型

00:05:44.200 --> 00:05:45.300
可能能找到

00:05:45.300 --> 00:05:49.340
但是他对智能体的支持不是特别好

00:05:49.340 --> 00:05:51.100
他在智能体

00:05:51.100 --> 00:05:54.700
这个这种数据平台上的测试得分很低

00:05:54.700 --> 00:05:57.580
最近大家听到两个新闻

00:05:57.580 --> 00:06:01.380
第一个新闻是中国上海的一个模型

00:06:01.380 --> 00:06:04.360
叫来自于这个KIMI的K3

00:06:04.360 --> 00:06:04.920
是吧

00:06:04.920 --> 00:06:08.320
还有这个质朴的最新的5.2

00:06:08.320 --> 00:06:15.040
在国外所有这些非常知名的测试平台上

00:06:15.040 --> 00:06:18.120
得到的分数是非常接近于

00:06:18.120 --> 00:06:20.840
OpenAI的5.5对吧

00:06:20.840 --> 00:06:24.060
也非常接近于Antherapyc里面的

00:06:24.060 --> 00:06:28.460
各种4.6的这个这个Opus的4.6的这样的模型

00:06:28.460 --> 00:06:30.400
那大家最重要的你知道吗

00:06:30.400 --> 00:06:32.120
是看两个数据得分

00:06:32.120 --> 00:06:34.160
一个是什么数据

00:06:34.160 --> 00:06:35.940
一个是coding的数据

00:06:35.940 --> 00:06:37.360
一个是智能体的数据

00:06:37.360 --> 00:06:40.760
我不知道大家是否能听得懂我讲的话

00:06:40.760 --> 00:06:44.880
我这里面我今天没有准备好准备好那个图片

00:06:44.880 --> 00:06:49.320
我这个本来按道理说给大家要看那个图片的描述了

00:06:49.320 --> 00:06:51.000
我可能可能这个质谱里面

00:06:51.000 --> 00:06:52.180
这个摩塔社区里面有

00:06:52.180 --> 00:06:53.840
对摩塔社区里面有

00:06:53.840 --> 00:06:56.440
一般来说一个模型的新模型发布

00:06:56.440 --> 00:07:00.800
它都会有这样的一个各个数据平台的一个得分情况

00:07:00.800 --> 00:07:01.400
好吧

00:07:01.400 --> 00:07:03.380
我看一下有没有

00:07:03.380 --> 00:07:05.440
这个大家听懂的

00:07:05.440 --> 00:07:06.120
Q1啊

00:07:06.120 --> 00:07:09.060
就是任何一个牛逼的模型

00:07:09.060 --> 00:07:11.880
之所以在全国来说

00:07:11.880 --> 00:07:13.660
是比较高的一个

00:07:13.660 --> 00:07:15.740
比较比较高知名度的

00:07:15.740 --> 00:07:17.260
他有两个分数很重要

00:07:17.260 --> 00:07:18.360
一个是这个分数

00:07:18.360 --> 00:07:18.820
大家看

00:07:18.820 --> 00:07:20.080
这个分数

00:07:20.080 --> 00:07:21.500
好吧

00:07:21.500 --> 00:07:24.700
还有一个是关于coding的那个分数

00:07:24.700 --> 00:07:25.860
但最正的是这个

00:07:25.860 --> 00:07:28.580
大家为什么要重点看这个指标吗

00:07:28.580 --> 00:07:31.040
看这个基准测试的数据

00:07:31.040 --> 00:07:33.280
这个基准测试的数据集的测试结果

00:07:33.280 --> 00:07:34.720
测试结果的分数吗

00:07:34.720 --> 00:07:35.900
为什么大家看这个

00:07:35.900 --> 00:07:36.480
大家知道不

00:07:36.480 --> 00:07:38.140
就不用我再说了吧

00:07:38.140 --> 00:07:40.160
好吧

00:07:40.160 --> 00:07:42.040
大家为什么要看这个指标

00:07:42.040 --> 00:07:43.680
其他的不看

00:07:43.680 --> 00:07:47.060
或者其他的很少看

00:07:47.060 --> 00:07:48.520
不是完全不看啊

00:07:48.520 --> 00:07:51.060
其实我们跟国外的模型比较

00:07:51.060 --> 00:07:53.320
重要的就比较两个最重要的指标

00:07:53.320 --> 00:07:55.420
一个是这个智能体的分数

00:07:55.420 --> 00:07:56.380
智能体的能力

00:07:56.380 --> 00:07:58.200
智能体的准确性的能力

00:07:58.200 --> 00:07:59.860
还有一个是一个coding能力

00:07:59.860 --> 00:08:00.440
就这两个

00:08:01.244 --> 00:08:12.564
你发现,你像DeepSync V4,Flash 0731,这个正式版,你发现他是不是非常接近于Opus Anthropic的Opus 4.8,对吧?

00:08:12.564 --> 00:08:14.324
没错吧

00:08:14.324 --> 00:08:17.444
所以我们国外也好

00:08:17.444 --> 00:08:17.944
国内也好

00:08:17.944 --> 00:08:18.644
大家都知道

00:08:18.644 --> 00:08:22.504
这个DeepSync V4的正式版本

00:08:22.504 --> 00:08:25.144
好像跟这个Opus 4.8

00:08:25.144 --> 00:08:25.684
是相接近

00:08:25.684 --> 00:08:26.764
其实不单是DeepSync

00:08:26.764 --> 00:08:29.064
还有那个刚刚我说的Kimin的Key3

00:08:29.064 --> 00:08:31.184
以及智朴的最新发布的那个模型

00:08:31.184 --> 00:08:31.724
是吧

00:08:31.724 --> 00:08:32.644
对吧

00:08:32.644 --> 00:08:35.144
那我那老师你讲这话什么意思呢

00:08:35.144 --> 00:08:36.504
是这样子的

00:08:36.504 --> 00:08:37.744
就是你的智能

00:08:37.744 --> 00:08:41.424
你要你要想作为智能体的核心推敌模型

00:08:41.424 --> 00:08:43.384
那么你一定要找

00:08:43.384 --> 00:08:45.144
你一定要去找

00:08:45.144 --> 00:08:48.664
这个分数比较高的那些模型

00:08:48.664 --> 00:08:51.364
懂意思吧

00:08:51.364 --> 00:08:52.284
现在我明白了吗

00:08:52.284 --> 00:08:54.224
那么这个分数比较高的那些模型

00:08:54.224 --> 00:08:54.864
都是什么

00:08:54.864 --> 00:08:55.464
这个

00:08:55.464 --> 00:08:56.444
这个

00:08:56.444 --> 00:08:57.384
这个

00:08:57.384 --> 00:08:58.064
这个

00:08:58.064 --> 00:08:58.564
是吧

00:08:58.564 --> 00:09:00.284
当然还有这个OpenAI的

00:09:00.284 --> 00:09:02.184
这个GPT5.5 5.6

00:09:02.184 --> 00:09:02.844
那个

00:09:02.844 --> 00:09:03.384
那个

00:09:03.384 --> 00:09:03.704
那个

00:09:03.704 --> 00:09:05.264
他没列在这里头

00:09:05.264 --> 00:09:06.544
对吧

00:09:06.544 --> 00:09:07.484
哦

00:09:07.484 --> 00:09:08.104
明白了

00:09:08.104 --> 00:09:09.504
老师少说大概你懂意思了

00:09:09.504 --> 00:09:09.964
就是说

00:09:09.964 --> 00:09:12.904
我如果要开发一个流逼的智能体

00:09:12.904 --> 00:09:15.604
那我智能体里面的核心推理模型

00:09:15.604 --> 00:09:17.444
和核心的意图识别模型

00:09:17.444 --> 00:09:18.944
得是很强的

00:09:18.944 --> 00:09:20.904
而且怎么证明它强

00:09:20.904 --> 00:09:22.204
就是看这个模型

00:09:22.204 --> 00:09:26.644
在这个数据级上的基准测试的得分来判断的

00:09:26.644 --> 00:09:27.344
是吧

00:09:27.344 --> 00:09:27.864
是的

00:09:27.864 --> 00:09:28.904
没错是这个意思

00:09:28.904 --> 00:09:29.384
好

00:09:29.384 --> 00:09:31.004
接下来我再讲另外一句话

00:09:31.004 --> 00:09:31.564
好

00:09:31.564 --> 00:09:33.684
那有一些

00:09:33.684 --> 00:09:37.024
有一些全模态的大模型

00:09:37.024 --> 00:09:41.764
他虽然也能够支持语音的输入

00:09:41.764 --> 00:09:43.904
同时也支持语音的输出

00:09:43.904 --> 00:09:46.084
但问题在于

00:09:46.084 --> 00:09:50.144
他在这个数据级的基准测试的得分

00:09:50.144 --> 00:09:52.864
是非常非常的低的

00:09:52.864 --> 00:09:54.124
举个例子

00:09:54.124 --> 00:09:56.944
比如说像全模态大模型

00:09:56.944 --> 00:09:57.964
有一个

00:09:57.964 --> 00:10:00.704
就是我们经常讲的

00:10:00.704 --> 00:10:02.364
签文里面有一个

00:10:02.364 --> 00:10:04.384
稍等啊

00:10:04.384 --> 00:10:05.004
搜索一下

00:10:05.004 --> 00:10:07.064
看是能搜到啊

00:10:07.064 --> 00:10:08.244
这个搜索框去了

00:10:08.244 --> 00:10:17.604
这个

00:10:17.604 --> 00:10:19.384
好吧

00:10:19.384 --> 00:10:23.604
这就是千万里面一个非常典型的全模态大模型

00:10:23.604 --> 00:10:25.184
什么叫全模态大模型呢

00:10:25.184 --> 00:10:26.064
就是

00:10:26.064 --> 00:10:28.824
这个网页打不开啊

00:10:28.824 --> 00:10:31.124
就是他输入的可以是语音

00:10:31.124 --> 00:10:32.784
然后他可以思考

00:10:32.784 --> 00:10:33.504
思考完之后

00:10:33.504 --> 00:10:34.624
它输出的结果

00:10:34.624 --> 00:10:35.424
也可以是语音

00:10:35.424 --> 00:10:36.624
也可以是文字

00:10:36.624 --> 00:10:37.784
语音文字都支持

00:10:37.784 --> 00:10:38.744
那这种模型

00:10:38.744 --> 00:10:39.944
是不是非常适合

00:10:39.944 --> 00:10:40.704
我们做这种

00:10:40.704 --> 00:10:42.544
这个语音的智能体

00:10:42.544 --> 00:10:42.844
是的

00:10:42.844 --> 00:10:44.144
非常适合的

00:10:44.144 --> 00:10:45.224
但问题在于

00:10:45.224 --> 00:10:46.184
这样的模型

00:10:46.184 --> 00:10:47.544
它在智能体

00:10:47.544 --> 00:10:50.264
这个数据级上的评测得分

00:10:50.264 --> 00:10:52.084
是远远低于

00:10:52.084 --> 00:10:53.104
大家看到的

00:10:53.104 --> 00:10:56.044
这些主流的推定模型

00:10:56.044 --> 00:10:59.084
现在明白意思吧

00:10:59.084 --> 00:11:00.324
所以

00:11:00.324 --> 00:11:04.364
在实际的企业开发过程中

00:11:04.364 --> 00:11:07.024
如果要做一个语音模型

00:11:07.024 --> 00:11:09.944
你又想要保证实时性

00:11:09.944 --> 00:11:15.784
你又想保证我这个智能体核心的推理模型和意图识别模型

00:11:15.784 --> 00:11:17.304
是很好的模型

00:11:17.304 --> 00:11:18.324
是很牛的模型

00:11:18.324 --> 00:11:22.264
那这两个要求都要满足

00:11:22.264 --> 00:11:23.504
说实话

00:11:23.504 --> 00:11:25.644
很难有完美的方案

00:11:25.644 --> 00:11:31.044
所以为了同时满足这两个要求

00:11:31.044 --> 00:11:34.844
我们今天重新

00:11:34.844 --> 00:11:37.184
根据当了我前两天也是看到网上论文

00:11:37.184 --> 00:11:38.364
根据网上论文

00:11:38.364 --> 00:11:40.024
我构建了一个新的方案

00:11:40.024 --> 00:11:41.904
叫三明治方案

00:11:41.904 --> 00:11:43.504
那三明治方案它的区别是

00:11:43.504 --> 00:11:44.824
它的特点是什么呢

00:11:44.824 --> 00:11:47.604
就是重点放在智能体这一块

00:11:47.604 --> 00:11:49.484
智能体的核心推理模型

00:11:49.484 --> 00:11:51.044
我还是使用这些像

00:11:51.044 --> 00:11:52.804
DeepSync V4的正式版

00:11:52.804 --> 00:11:55.184
或者Opus的4.8

00:11:55.184 --> 00:11:57.904
或者是OpenAI的5.6

00:11:57.904 --> 00:11:59.024
5.5这样的模型

00:11:59.024 --> 00:12:01.204
或者是质朴的

00:12:01.204 --> 00:12:02.544
对吧最新的模型

00:12:02.544 --> 00:12:04.824
好然后呢

00:12:04.824 --> 00:12:05.484
但这两个

00:12:05.484 --> 00:12:08.524
他在智能体这方面

00:12:08.524 --> 00:12:09.584
在智能体这个

00:12:09.584 --> 00:12:13.244
这个基准测试数据上表现分数非常高

00:12:13.244 --> 00:12:14.844
对吧还不错非常好

00:12:14.844 --> 00:12:18.684
可是问题是他对语音的输入和输出

00:12:18.684 --> 00:12:19.484
不是特别支持

00:12:19.484 --> 00:12:20.684
对吧

00:12:20.684 --> 00:12:23.164
所以就有一个这么一个矛盾点

00:12:23.164 --> 00:12:23.844
那怎么办呢

00:12:23.844 --> 00:12:25.104
我在它的前面

00:12:25.104 --> 00:12:26.484
加上一个STD模型

00:12:26.484 --> 00:12:27.204
我在它的后面

00:12:27.204 --> 00:12:28.364
加上一个TTS模型

00:12:28.364 --> 00:12:29.504
把它夹到中间

00:12:29.504 --> 00:12:30.544
就称之为这样

00:12:30.544 --> 00:12:31.484
三米之架构

00:12:31.484 --> 00:12:32.864
现在我应该讲清楚了