看很多做esp32 上的对话方案的是基于xiaozhi-esp32 方案开发的， 最近stars增长很快。

t.co/RuOhgxGmjY

公司给安排的口语课完成了第一次上课，平常很少说英语，但也能正常的交流30分钟。

外教老师知道我在做短视频之后建议我用英语做视频发布在youtube 或者 tiktok上。

年底可以跟 @xbanboo 来PK下英语口语了。

跟一个做呼叫中心的负责人聊了两个小时，印象深刻的一句话是：

我：为啥国内呼叫中心的交付这么重？
他：本质上是产品能力不足，要靠堆人来弥补这部分来满足客户的需求。

让 ChatGPT 每天给自己说"早安" 和 "晚安，你辛苦了"。

阿里的这个minmo 实时模型音色控制能力非常惊艳了，静待开源。

t.co/ZlBJY2urTs

给自己设个目标：每天尽可能多的使用ChatGPT 和 Claude，AI牛马不能停。

又付费了ChatGPT Plus，目前是ChatGPT Plus 和 Claude 同时订阅。最近ChatGPT在办公效率上迭代了很多能力，Claude 模型能力很强，但在功能上迭代的明显没有ChatGPT快。

Vercel 的AI SDK 用起来确实方便，但也只有Web端的，有没有移动端的类似AI SDK 的方案？

有开通过 github sponsors 的伙伴么？

付费一杯咖啡咨询下开通过程中遇到的问题。

OpenAI Realtime API 的 input token 是不断累积的，意味着你的对话时间越长消耗的token数会快速的增加。

需要开发者自己手动调用 conversation.item.delete 来清理历史记录。

把V0 的订阅取消了，相当于开除了一个前端工程师，原因是：

1、写前端并不是我日常的工作，只会偶尔用；
2、Cursor 与 Claude配合写出不错的前端代码；

真是应了那句话，后面IT部门每个人都是自己的HR，
会不会出现一个Agent方向的“Boss直聘”。

基于大模型的ASR绝对是未来的趋势，晚上用Gemini来做语音识别，测试了多语言混合、以及包含行业专有词的情况，表现比一些专业的ASR还要好。

优势：
1、自动语言识别
2、多语言混杂识别较好
3、支持语义级别的修正
4、能很好的支持专业名词

目前 OpenAI Realtime API 和 Gemini Multimodel Live API 都是依靠 VAD (Voice Activity Detection) 来进行打断的，如果语速稍微慢点就会被AI插话，这个体验非常不好。

最终的方案应该是要演化为根据语义来进行断句和打断。

最近做了一些 Realtime API 相关的分享，遇到很多做AI外呼/客服的提到有这个方向的需求。

也趁这个机会做个需求调研：
1、有多少做 AI 外呼、智能客服的伙伴？
2、目前遇到的最大的痛点，以及希望 realtime api 能解决的问题是什么？

我可以免费一些方案和技术咨询。

阿里的端到端语音大模型MinMo马上要来了。

果然需求来自于生活：

今天用kimi AI电话给我家小公主讲儿童故事，
我老婆说这个体验不好，为什么没有好听的背景音乐。

需求就来了：
哪些大模型语音通话能讲故事的时候还能加上背景音乐呢？

以前不太能理解晒娃的行为，现在能理解了，这样一个可爱的小家伙在怀里的时候能把人给融化了。

后面X上的分享也不会只有技术，我要开始教我出生10天的小公主学习大模型了。

用Gemini 来做音频转录的价格已经是白菜价了，一个小时的音频转录的价格分别是：

Gemini flash：0.0072$/小时
Gemini pro: 0.1125$/小时
Whisper(openai): 0.36$/小时
Azure(Batch Transcription): $0.225/小时

genimi flash 转录一个小时的音频只要五分钱。跟免费差不多。

当初ChatTTS出来的时候特别惊艳，
刷屏了一段时间，
取得了Github 趋势榜第一，
以及吸引了几万个Stars。

不知道为啥流量没有接住，产品一直没出来，模型也没怎么继续迭代，有人知道原因么？

Google 的大模型产品有三个入口：

1、t.co/akJrs9pvdS

2、t.co/ZB2nQumFx9

3、还有个Gemini Advanced 据说支持了NotebookLM，我还没体验到。

这个就是大公司在面对新业务时拧巴的地方，多个团队理不清。

推友有充值 200$ ChatGPT Pro的么？
有哪些场景你觉得这200$花的值？

在考虑要不要充Pro。

使用WebRTC 对接OpenAI Realtime API 最简单的方式就是使用浏览器中的API，当然WebRTC也有各个语言的实现： 1、WebRTC 官方实现 t.co/NvxZ91FiPK 浏览器中使用的版本，功能最完备，也最复杂，百万行级别的C++代码，也提供iOS/Android平台的SDK. 2、pion t.co/GjA6q9Q6A8 Golang 协议版本 3、aiortc t.co/9o0ZAV3jA2 python 协议栈实现 4、libdatachannel t.co/KrMIvolN1p 另外一个C++的协议栈实现 5、kinesis stream webrtc t.co/dUQzZiGaYX 纯c的实现，aws的伙伴在维护。

2024想总结的很多，但相比24年最后两天来到我身边的小公主来说都不值一提，第一次把小公主抱在怀里的时候整个人都化掉了。 有了软肋也有了铠甲，开始训练下一代的模型。

最近用的比较好的一个Cursor小特性： NotePads 比如最近开发Realtime API的SDK, 就把Realtime API 相关的文档放到NotePads中，Cursor就能自动学习到最新的Realtime API相关的知识了。

求一个彻底屏蔽比特币飞扬的方法 @elonmusk

OpenAI Realtime api with WebRTC python 版本也有了，有cursor来协助做东西就是快。 注：初步能跑通，还有很多细节需要完善。 t.co/KENJkVV4hB

什么时候大模型能解决不同库的版本依赖问题？😂

看到很多伙伴对golang版本的 realtime api with webrtc client 感兴趣。我重新创建了一个项目，后面会持续完善，以及支持更多的能力。 你想要支持的能力是什么？欢迎在X 或者 Github上提需求。 t.co/6Xz4szPbCs

用Cursor分别用js(通过浏览器) 和 golang 实现了 Realtime API with WebRTC 的通信过程： 1、在浏览器中WebRTC 资料比较多，完全依赖Cursor就能实现。 2、用golang在实现的过程中涉及到音频的采集和播放，遇到portaudio的编译 以及 pion的版本问题，这个时候需要人来一步步来debug，cursor 作为那个实施的人，不过效率也高了很多。

cursor 已经不只是一个写代码的编辑器了， 最近看到的cursor的用法： 1、写论文 2、做数据分析 3、批量剪辑视频