在科技日新月异的今天，人机交互的智能化与开放性已成为衡量技术先进性的重要标尺，人机交互方式正经历着革命性的变革。当前，视频云市场呈现出蓬勃发展的态势。随着 5G、物联网、大数据等技术的不断成熟，视频应用场景日益丰富，从传统的娱乐、教育到新兴的智能制造、智慧城市等领域，视频云已成为连接物理世界与数字世界的桥梁。在这一背景下，人机交互的智能化需求愈发迫切，百度视频云互动大模型 SDK 应运而生，满足了市场对于高效、智能、开放的人机交互解决方案的需求。百度视频云互动大模型 SDK 作为这一领域的先锋产品，以其智能性和开放性为特点，为众多行业提供了全新的解决方案。

百度宣布其视频云互动大模型 SDK 成功适配鸿蒙操作系统，这一里程碑式的合作不仅标志着人机交互体验的全面升级，更开启了智能设备应用生态的新篇章。

一、互动大模型能力一览全

互动大模型是一种结合 RTC（实时通信技术）、语音技术和大模型（如人工智能模型）的技术方案，旨在提供稳定、低延迟的大模型互动体验。大模型综合采用文字、语音、语气、姿态、表情、动作、环境等因素，构建了丰富的沟通语境，实现了接近真人般面对面的人机交互体验。

・3 个框架服务，即音视频增强服务、多模态大模型服务、云渲染流化服务。为大模型和智能体提供实时互动能力，提供 3A 处理、VAD 增强、声纹识别、云渲染等实时互动服务。这样轻终端，重智能的部署方式，让大模型互动更流畅、更自然、更多维。

・4 个交互形态，即语音交互、视觉交互、数字人交互、任务交互。可针对各类场景，提供语音交互、视觉理解、数字人互动、复杂任务、内容资源、垂类应用等端到端的解决方案。并且满足超低延时、快速接入、开放可扩展等特点。

二、任务交互与全周期的多模态实时互动

在客户端，提供大模型互动的接口，支持多模态交互能力，如文本、语音、视频、图片等。SDK 类型多样，以满足不同平台的需求。采用 RTC 协议，实现数据的低延迟传输。无论是采集或数据输入的各类媒体（文本、音频流、视频流、图片文件等），还是云端返送的文本、音频流、视频流、卡片多媒体内容，都能通过 RTN 网络高效传输。

云上承接，智能体互动引擎来处理大模型的交互逻辑和响应。它接收来自 SDK 的请求，通过任务交互让复杂的任务交给云，让我们的终端更轻便。

・云上大算力：计算量大、复杂、耗时长的任务云上计算，作为终端的云端计算“伴侣”。

・内容渲染：对接音乐、视频、页面、文档、图片等不同类型资源在云端渲染 + 流化；还可以直接操作屏幕。

・轻端方案：新业务、新能力部署在云上，扩展性强，设备上无需升级，既是“超级入口”。

在链路中，多模态互动方案对全链路音频进行了优化，有效提升互动体验性。

・AI 降噪：通过端侧和服务端的 AI 降噪算法，有效识别并消除常见的尖锐声、键盘声等非人声噪声，有效提升 ASR 识别准确率，避免噪音误打断。

・声音增益：智能识别人声，对人声做自动增益，人声更清晰。

・回声消除：有效杜绝回声、啸叫问题。

・声纹识别：通过声纹识别用户身份，智能体只响应特定用户，消除周围人声干扰。

・VAD 检测：检测到用户停止说话后，快速将 ASR 转出的文本发送给大模型，有效降低端到端延时。

・智能打断：可以通过语音快速打断智能体的语音播报，实现贴近真人的自然交互体验。

・全景声音效：基于行业领先的 WANOS 全景声技术，实现 3D 空间音效、大场景混音等语音技术，打造身临其境的全真声场。

三、接入 Agent-智能体编排

多模态实时互动服务框架，满足组件及模型的灵活替换。并且，在下方控制台，用户配置时即可一键选择已经内置好的模型。

・多模输入输出：支持消息、语音、视频流、文件多模态的输入与输出；不同模态转换。

・云音视频增强：在云端提供 AI 降噪、人声分离、声纹提取等功能；提供智能抽帧、模糊帧检测、图片降采样等。

・统一 LLM 接口：支持业内主流的 OpenAI LLM 模型 HTTP 接口、Realtime Websocket 接口；最少 1 个 HTTP 接口对接模型。

用户与智能体互动的过程中，可以说出特定指令以使用特定功能，如控制设备，播放音乐，拨打电话等，智能体识别到指令意图时，结合 Function Call 补齐必要参数，然后将指令参数发送给客户的端侧或服务侧，客户来实现特定功能的调用。

自主编排专属智能体，拓展能力边界，只需要简单配置便可无缝接入多模态互动方案。

四、接入块、平台全、适配全

互动大模型接入块、平台全、适配全”这三个方面共同构成了互动大模型接入的完整体系，确保了互动大模型能够高效、稳定、安全地与用户进行实时互动。

・接入快：SDK 接口少，最快 1 天接入、OpenAI LLM 接口、Josn 定义 Function、界面配置流程 & 功能、大模型 / TTS 等均可选择替换

・平台全：Android SDK、IOS SDK、H5 SDK、WX 小程序 SDK、Linux SDK、RTOS SDK

・适配全：视频编码支持 h264 / h263、适配常见芯片乐鑫 / 展锐 / 全志 / ASR 等、最小包体 < 300K，CPU 最低运算速度 < 300MHz，主体程序运行内存 < 2M

HarmonyOS NEXT SDK

互动大模型 SDK 接入鸿蒙系统需要遵循一定的步骤和注意事项，通过仔细阅读文档、配置项目依赖、实现功能接口以及进行调试与测试等步骤，可以成功将互动大模型功能集成到鸿蒙系统的应用中。

・可以参考互动大模型 SDK 提供的示例代码和教程，了解如何在鸿蒙系统中实现具体功能。

・访问鸿蒙系统的开发者社区或论坛，获取更多关于鸿蒙系统应用开发的资源和信息。