Voice agents with Realtime Video — Sidney Primas, LemonSlice
Sidney Primas från LemonSlice visar hur man bygger AI-agenter med avatar och video som kan köra kontinuerligt i timmar.
Det svåraste är att video genereras frame för frame — varje ny bild baseras på tidigare bilder, och fel adderar sig över tid. LemonSlice löser det genom att träna modellen att bara titta bakåt (eftersom framtida frames inte finns än) och reducerar beräkningsstegen drastiskt. Ett överraskande problem är ljud: uttryck och mimik beror på hur ljudet analyseras, men de flesta ljudmodeller är tränade på entoniga ljudböcker, så de behövde bygga sin egen. Tjänsten kostar ungefär lika mycket att köra som en röstmodell, men den största framtida värdet ligger enligt Primas i hur man orkestrar beräkningarna över GPU och CPU utan att videon stottar.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer att läsa
Building advertising for the way people use AI
OpenAI för 2 tim sedan
Server-Side Code Execution Tools for AI Agents, Compared
OpenRouter för 12 tim sedan
v0.40.0
Ollama för 12 tim sedan
Google froze its open source bug bounty program due to a ‘significant rise’ in AI submissions
TechCrunch AI för 16 tim sedan