2025年AI驱动下的音视频场景创新报告-.pptxVIP

AI驱动下音视频场景创新

腾讯全球数字生态大会

TENCENTGLOBALDIGITALECOSYSTEMSUMMIT

城市峰会

AI+音频实时互动

AI+视频实时互动

AI+智能媒资新能力

PART1

PART2

PART3

目录□a

腾讯全球数字生态大会

TENCENTGLOBALDIGITALECOSYSTEMSUMMIT

城市峰会

01

AI音频实时互动

AI语音助手、实时多语种翻译，重构人机与人际互动新体验

腾讯全球数字生态大会

TENCENTGLOBALDIGITALECOSYSTEMSUMMIT

城市峰会

VoiceAgent:下一代实时对话的新方向

VoiceAgent可能是今年最值得关注的一个方向，是下一代人机交互界面，多模态改变交互

GPT-40是第一个实现端到端

voice-in,voice-out的大模型，

低延迟、真实情感表达、很强

的语义理解能力

语音交互以其与人类自然沟通方

式的高度一致性，提供了一种更

为直观和低能耗的交互体验，而

打字文本交互的使用门槛更高

围绕实时对话构建的产品受到

投资人青睐，利用AI定制特定

类型的实时对话，更高效地提

供上下文和价值

2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场

GUI-LUI低延迟、高智能重新发明电话

2025腾讯云城市峰会·无锡峰会

AI实时对话赋能千行百业的创新实践

01大模型/搜索：实时AI对话已经成为标配05

02Al+泛娱乐：AI陪伴、语聊房助手06

03AI+教育：实时字幕、在线课堂助手07

04AI+IoT:可穿戴设备、AI玩具08

新兴媒体闭门专场

AI+游戏：AI陪玩、AINPC、AI队友

AI+健康：问诊助手、心理健康咨询

AI+客服：智能客服、智能外呼

AI+工作：招聘、实时翻译

AI实时对话方案

·使用TencentRTC,结合第三方的大模型和TT5等，可以轻松创建一个媲美GPT-40所演示的A1实时交互体验，应用到业务场景内。

2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场

第三方LLM和TT5无缝集成

配置LLIT和TT5服务的账户凭证，

无缝集成到服务后台。

音视频端到端延迟低于300ms,AI对

话延迟低于1000ms。

支持多种语言，包括英语、西班牙

语、日语、韩语、中文以及23种方言和130种国际语言。

红框内客户自定义

●腾讯侧：客户端和服务端的一体化集成方案，提供智能打断、降噪能力。

●客户侧：自定义大模型和TT5,接入到腾讯AI服务，保持业务灵活性。

高兼容性

支持多个平台，兼容超过20,000种设备模型。

实现超低延迟的AI对话精准的A5R识别

功能特点

客户端APPTRTCSDK

如⑤圆

智能设备

采蒸出播放

Agent

语义断句

情堵识别

声纹识别

AI降噪

STT

对多模态的支持：当大模型有了“眼睛”

·具有跨文本、音频和视频进行实时推理的能力，可实现更自然的人机交互

·AI可以进行流畅的实时视频通话，人可以实时打断AI

·通过手机的摄像头与人互动，可通过视频流理解对话当前的环境〔包括人物状态/背景环境〕

场景很丰富，现在需要探索

多模态能力对于AI解题、绘画设计、音乐学习等需要视觉和听觉才能进行反馈指导的科目，非常关键

6mmlwjpude

英语水平定级测试去完成

2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场

私教辅导

单词速记作业辅导

小学英语

私教陪你听说读写

小学数学小学语文

AI线上实时翻译：有文字到文字、语音到文字、语音到语音三种模式

2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场

AI驱动的实时翻译字幕

AI实时语音翻译

多语言在线聊天

语音→语音

语音→文字

文字→文字

2025腾讯云城市峰会·无锡峰会新兴媒体闭门专场

AI线下实时翻译：