能听能看还能说的虚拟人对话模型引关注

一条来自 X 用户 svpino 的分享介绍了同步音视频对话模型：该模型在生成语音和面部表情的同时处理输入的音频与视频流，实现与虚拟人格面对面对话。核心机制是双向并行——聆听时读取用户的视觉线索，说话时输出带有表情的画面，例如用户能从 AI 的眼神察觉它想插话。这类全双工交互与 OpenAI Advanced Voice Mode、GPT-4o 实时语音等纯音频方案相比，增加了视频输入和表情输出两个维度，让打断、点头等对话细节自然呈现。对开发者而言，这类模型指向数字人客服、虚拟主播等场景的新交互范式。