KITT:将ChatGPT带入WebRTC会议的智能助手
2024-09-08 18:31:27作者:滑思眉Philip
项目介绍
KITT是一款基于ChatGPT的AI助手,它能够在WebRTC会议中实时参与并提供智能交互。通过KITT,用户可以在视频会议中与AI进行对话,AI将根据对话内容提供实时反馈,极大地增强了会议的互动性和效率。
项目技术分析
KITT项目由两个主要服务组成:
- meet服务:这是一个基于NextJS构建的视频会议应用,实现了典型的视频通话功能。
- lkgpt-service服务:该服务实现了KITT的核心功能。当会议室创建时,通过Webhook调用lkgpt-service中的处理器,将KITT添加为会议参与者。KITT利用GCP的语音转文字、ChatGPT以及GCP的文字转语音技术,实现了智能对话功能。
项目的技术架构如下图所示:
项目及技术应用场景
KITT的应用场景非常广泛,尤其适合以下几种情况:
- 远程会议:在远程会议中,KITT可以作为虚拟助手,帮助记录会议内容、提供实时翻译或解答与会者的问题。
- 在线教育:在在线教育平台中,KITT可以作为助教,回答学生问题、提供学习建议,甚至进行实时测验。
- 客户支持:在客户支持场景中,KITT可以作为虚拟客服,实时解答客户问题,提供技术支持。
项目特点
- 实时交互:KITT能够在会议中实时参与对话,提供即时的智能反馈。
- 多语言支持:通过GCP的语音转文字和文字转语音技术,KITT能够支持多种语言的交互。
- 易于集成:KITT的设计使其易于集成到现有的WebRTC会议系统中,开发者可以通过简单的配置快速部署。
- 开源免费:KITT是一个开源项目,用户可以免费使用并根据需要进行定制和扩展。
如何开始
前提条件
- 需要Google Cloud账户的
GOOGLE_APPLICATION_CREDENTIALSJSON文件。 - OpenAI API密钥。
- LiveKit的API密钥、API秘密和URL。
- Go 1.19+和Node.js环境。
本地运行
-
运行Meet服务:
- 在
meet/目录下,复制.env.example到.env.local,并填写LiveKit连接详情。 - 运行以下命令启动服务:
yarn install && yarn dev
- 在
-
运行lkgpt-service服务:
- 在
lkgpt-service/目录下,复制config-sample.yaml到config.yaml,并填写LiveKit连接详情和OpenAI API密钥。 - 运行以下命令启动服务:
go run /cmd/server/main.go --config config.yaml --gcp-credentials-path gcp-credentials.json
- 在
-
手动启动KITT:
- 在本地运行时,需要手动调用API启动KITT:
curl -XPOST http://localhost:3001/join/<room_name>
- 在本地运行时,需要手动调用API启动KITT:
通过以上步骤,您就可以在本地体验KITT带来的智能会议助手功能了。
KITT不仅是一个技术上的创新,更是提升会议效率和互动性的利器。无论您是开发者还是普通用户,KITT都值得您一试。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660