GPT-4o的“AI视频通话”一鸽再鸽，但网友却是急不可耐想要体验。
于是，一位名叫Santiago（我们叫他三哥）的博主，用160行Python代码尝试了复刻。
虽然技术路线和《Her》有所差别，但从直观效果来看，也算得上是给网友们带来了新的玩具。
而且不仅是炫技，三哥是真的在试图把网友教会，用了半个多小时的时间讲解他的操作过程。
不过，三哥的自我介绍中说，自己是一个讲授硬核机器学习知识的博主，之前也推出过不少课程。
所以讲课这件事对三哥来说，也可以算是老本行了。
对三哥这次推出的新课，网友给予了很高的评价，表示不仅内容很赞，而且讲解得也很好。
甚至为了防止你觉得学起来太麻烦，三哥直接就把程序代码给公开了。
还有网友在线催更，有的想要增加屏幕读取的功能，还有人想要移动版……
用Python实现AI视频通话
三哥做的视频通话程序名叫Alloy Voice Assistant（简称Alloy），在视频中他演示了这样几组对话效果。
首先是一道基础问题，三哥让Alloy识别一下自己戴的眼镜是什么颜色。
这道题对Alloy来说确实是没什么难度，很轻松就能回答上来是黑色。
接下来，三哥就要给Alloy上难度了，这次要识别的是棒球帽上的徽章，并分析出所代表的球队。
这次不仅要识别的内容和镜头的距离变远了，而且Alloy需要一次性识别六个。
关于视频中涉及的棒球帽，我们来看下特写：
从左到右依次是（洛杉矶）道奇队、（华盛顿）国民队、（波士顿）红袜队、（休斯顿）太空人队、（芝加哥）小熊队和（堪萨斯城）皇家队。
我们再来看下Alloy给出的回答……完全正确。
最后一题，Alloy需要识别的内容变成了文字——不仅要知道写了什么，还要知道文字代表的含义。
只见三个拿出了一本书朝向了镜头，先后询问Alloy书的名称和作者。
这本书是苹果机器学习高级工程师Robert Munro Monarch写的Human-in-the-Loop Machine Learning（《人在回路·机器学习》），Alloy回答对了。
从三哥的演示中我们可以看出，Alloy在识别和回答的准确率上还是很能打的，不过响应的速度也确实慢了一些。
但毕竟不是原生功能，需要在多个API之间进行跳转，所以也算是可用。
那么Alloy到底是怎么实现的呢？三哥进行了在线教学。
37分钟细致讲解，还有开源懒人版
跟随着三哥的讲解，我们先来看一下都需要用到哪些工具。
既然要“视频通话”，当然就得有视觉处理模块，三哥用OpenCV来对画面进行捕获，然后交给多模态大模型进行处理。
具体的大模型可以有多种选择，包括GPT-4o、Claude和Gemini 1.5 Pro等，同时大模型还要承担文本处理的任务。
这是由于Alloy并非原生支持音频模态，所以处理音频的方式是通过文本作为中介实现，这就需要用到语音识别和合成模块，这里三哥用的分别是OpenAI的Whisper和TTS引擎。
另外，为了让大模型的集成变得更加容易，三哥这里还使用到了大模型编程框架LangChain。
最重要的，想要把这些模块都组合在一起，就需要用Python来编写代码，也要有相应工具的API。
看到这些工具，Alloy的大致工作流程也就清晰明了了——
麦克风和摄像头负责收集视觉和声音信息，然后声音被转换成文本并于视觉信息一起通过API送入大模型，大模型完成分析后以文本形式回传，最后用TTS模块合成语音并通过扬声器播放。
具体操作中，需要先安装好所需要的依赖库，并申请相应大模型的API，并创建一个Python程序加载这些依赖。
之后是编写WebcamStream类，用来捕获摄像头当中的图像，这里就用到了OpenCV当中的VideoCapture。
视频中，三哥针对每一行代码的含义和作用都进行了解释，感兴趣的话可以看原视频，这里就不一一展开了。
之后是Assistant类，也是整个Alloy系统中最核心的环节，从初始化和配置AI模型，到处理用户输入、声文互转、生成回答，再到对话记录的管理，Assistant都发挥着重要作用。
可以说，Assistant类是串起用户、输入设备和AI模型的桥梁，也是三哥在整个教程中讲解时间最长的一部分。
把这两个类定义好之后，最后就是主程序的设计，首先为这两个类各创建一个实例，之后配置摄像头和麦克风，就可以进入主循环体了。
主循环体会不断从WebcamStream实例中读取最新的视频帧，并使用OpenCV的imshow()函数在窗口中实时显示。
同时，当语音识别器检测到用户开始说话并结束时，会自动将语音转换为文本，并调用相关函数进行处理。
以上就是Alloy搭建的大致流程了，如果看了觉得实在太麻烦不想自己动手的话，三哥还在GitHub上准备了懒人版。
只需要根据选择的模型调整几行代码并填好API，就能直接用了。
