Telegramo, WhatsApp+380637610482
Valerij Danjuk
Valerij DanjukprogramistoEvoluigante AI-ilojn por entreprenoj. Altkvalitaj. Pageblaj.Skribi en Telegram

Senvizaĝa AI-Avataro: Voĉagento Rivelas Kion Ĝi Diras

AI-konsultisto klarigas espreskafon, kaj partikloj formas 3D vaporantan tason da kafo laŭ la stilo de ART DANYUK.

Kion vi ricevos

  • Viva demonstraĵo de ART DANYUK - vi povas tuŝi ĝin rekte en la artikolo
  • Kiel senvizaĝa avataro komparas al parolanta kapo kaj pulsanta pilko?
  • Kiel instali tian AI-konsultiston en via retejo aŭ konekti ĝin al via voĉa AI
Apliki: post 5 minutojKonservas: Video-avataro kaj servilo kun videokarto - ĉiuj grafikaĵoj estas kalkulitaj sur la telefono de la vizitanto

Preskaŭ ĉiuj voĉasistantoj per artefarita inteligenteco havas la saman aferon sur sia ekrano: pulsantan sferon. Malpli ofte, ili prezentas "parolantan kapon", videan avataron de persono movanta siajn lipojn. Mi kreis trian variaĵon kaj nomis ĝin ART DANYUK: dum la artefarita inteligenteco parolas, miloj da brilantaj partikloj kuniĝas en 3D-figuron de la parolata subjekto — kaftaso, sofo, delfeno — kaj poste disiĝas denove kiel fluo de datumoj. Sube estas viva demonstraĵo; vi povas tuŝi ĝin ĝuste ĉi tie. Ĉi tiu artikolo estos utila se vi elektas artefaritan inteligentecon por via retejo aŭ kreas vian propran voĉagenton kaj volas, ke ĝi estu memorata.

Provu ĝin rekte en la artikolo

Frapetu iun ajn objekton ĉe la fundo de la fenestro aŭ tajpu vian propran vorton en la angla — ekzemple, "teleskopo" aŭ "gitaro". La butono ▶ Turneo lanĉas mallongan dialogon: la vizitanto demandas pri kafo, dolĉaĵoj, sofo, ĉevaloj kaj boatekskurso; la artefarita inteligenteco respondas, kaj partikloj kunmetas ĉiun objekton. Frapeto kreas ondon, glitado rotacias la scenon, kaj longa premo disigas la objekton, kio rekunmetas ĝin. La ronda butono en la angulo ŝanĝas la paletron.

Se la fenestro ne ŝarĝiĝas, malfermu la demonstraĵon aparte: vibevox.pro/stardust-demo.

Kial neniu vizaĝo estas pli bona ol pilko kaj parolanta kapo?

La sfero montras nur kion diras la artefarita inteligenteco. Parolanto montras kiu parolas, sed ĝi estas multekosta kaj facile falas en la "mistera valo" - kiam preskaŭ homa bildo estas pli timiga ol klara desegnaĵo. Senvizaĝa avataro malkaŝas la konversacion, kaj tio estas memorinda.

Komparo de homa videa avataro kaj senvizaĝa AI-avataro de ART DANYUK por la retejo

Opcio Kion la vizitanto vidas Kie la bildo estas kalkulita?
Pulsanta pilko abstrakta animacio en la retumilo, preskaŭ sen ŝarĝo
Homa videa avataro vizaĝo kaj lipoj en la tempo de parolado Sur servilo kun videokarto, la tuta konversacio estas videofluo.
ART DANYUK temo de konversacio en 3D en la retumilo de la vizitanto, tra la reto - nur la voĉo kaj la nomo de la ero

Du stiloj: ART DANYUK kaj 3D-steloj

ART DANYUK - datumskulptaĵo. Ĝis 131 000 partikloj fluas kiel kokono, objekto naskiĝas interne, restas kelkajn sekundojn, kaj poste dissolviĝas denove. Paletroj: "Aŭtomata" (malrapida miksaĵo de ĉiuj koloroj), Oceano, Koralo, Nebulozo, Ĝardeno. Postulas WebGL2, kiu estas inkluzivita en preskaŭ ĉiuj lastatempaj telefonoj.

3D steloj - spirala galaksio en nebulozo. La steloj arkiĝas kune por formi tridimensian, lumigitan figuron, kiu rotacias kiel reala objekto. Funkcias sur iu ajn telefono, kaj ART DANYUK aŭtomate ŝanĝas al ĉi tiu stilo se via aparato ne taŭgas.

En ambaŭ stiloj, la partikloj "spiras" sinkrone kun la voĉo de la artefarita inteligenteco: ju pli laŭta la frazo, des pli hela kaj vigla la bildo.

Kiel ĝi funkcias de interne?

  1. AI-ilo. La modelo vokas show_visual ("show object") kun angla nomo — ekzemple, "coffee cup" — kaj daŭre parolas. La voĉo neniam atendas bildon: ĝi estas aparta, eta datenkanalo.
  2. Biblioteko de 1 359 modeloj. Manĝaĵoj, mebloj, bestoj, plantoj, transportado, iloj, kosmetikaĵoj, juveloj, elektroniko kaj sportoj. Ĉiuj fontaj modeloj estas sub senpaga CC0-licenco, kaj mi konvertis ilin en punktonubojn de 2-10 KB. Ĉiu estas elŝutita post la unua uzo kaj poste konservita en la kaŝmemoro de via retumilo.
  3. Sekureca reto. AI-modeloj kelkfoje "forgesas" voki ilon. Tial, post sekundo kaj duono da respondo, la malpeza modelo aŭtomate elektas la elementon el la frazo de la vizitanto kaj la komenco de la respondo. Ĝi preterlasas salutojn, babiletojn kaj homojn.
  4. Fotilo. La vizitanto povas direkti la produkton al la fotilo kaj alklaki "Rekoni". La artefarita inteligenteco nomos la objekton, kaj la partikloj kunmetos ĝian formon.

Kiel senvizaĝa artefarita inteligenteco-avataro montras la temon de konversacio: demandon, voĉan respondon, bibliotekan modelon, partiklojn

Kion vidas la vizitanto dum la alvoko?

  1. Dum la voko konektas, la partikloj formas la surskribon VibeVox, kaj en via projekto - la nomon de via marko.
  2. La artefarita inteligenteco diras saluton, kaj la nubo de partikloj spiras laŭ la ritmo de sia voĉo: paŭzo - la bildo svagiĝas, la frazo reviviĝas.
  3. La konversacio atingis la temon - partikloj kolektiĝas en lian figuron, tenas ĝin dum la AI parolas, kaj poste fluas reen.
  4. La figuro povas esti rotaciita per ŝovado kaj rompita per longa premo, do atendi respondon fariĝas ludo.
  5. La laŭteco estas agordita per la ŝovilo en la supra ringtonilo, kaj la fotilo povas esti ŝaltita kaj malŝaltita iam ajn.

La konsultisto pri artefarita inteligenteco respondas en la lingvo de la vizitanto. Mi diskutis kiel igi la retejon mem plurlingva por ke ĝi estu videbla al serĉiloj en mia artikolo pri plurlingva retejo sen tradukilo.

Kie ĉi tio utilas por komerco?

  • Kafejo aŭ bakaĵejo - konsultisto parolas pri espreskafo kaj desertoj, kaj la gasto vidas tason kaj kuketon.
  • Meblovendejo - "kompakta sofo por malgranda apartamento" tuj transformiĝas en sofon sur la ekrano.
  • Turismo kaj ekskursoj - boatekskurso kun delfenoj fariĝas delfeno, kaj rezervo fariĝas korbo.
  • Butiko vendanta kosmetikaĵojn, ilojn kaj elektronikaĵojn — lipoŝminkon, ŝraŭbturnilojn kaj aŭdilojn — estas havebla en la biblioteko.
  • Ekspozicioj kaj vitrinoj - ekrano kiu montras tion, pri kio vizitantoj demandas kaj kolektas homojn ĉirkaŭe.

Mi montris kiel AI-agento, kiu gvidas klientojn al iliaj mendoj, diferencas de ordinara babilroboto en mia analizo de e-komercaj agentoj.

Kiel meti ĝin sur vian retejon?

Estas tri ebloj, depende de ĉu vi bezonas pretan konsultiston, la tutan retejon, aŭ nur grafikaĵojn.

Kio estas bezonata Kiel atingi
Preta AI-konsultisto kun voĉo kaj 3D-vido VibeVox- fenestraĵo - en la agordoj, elektu "3D-figurojn" aŭ ART DANYUK kaj la voĉon de la asistanto
Retejo kun enkonstruita AI-asistanto 1001site AI: Ĉioinkluziva plano - 45 € monate, unua monato kun rabato-kodo de la monato - 25 €
Nur grafikaĵoj por via voĉa artefarita inteligenteco Stardust-motoro ĉe GitHub: senpaga por personaj projektoj, komerca licenco por kompanioj

Kiel ebligi kaj agordi la AI-asistanton en via 1001site konto estas priskribita en la sciobazo.

Por programistoj, la konekto bezonas unu ilon en la modelagordoj kaj unu linion en la retumilo - ekzemploj por Gemini Live, OpenAI Realtime, ElevenLabs, LiveKit kaj Pipecat estas en la deponejo Stardust.

Se vi ŝatus havi tian AI-konsultiston sed ne volas mem eltrovi ĝin, skribu al mi per Telegram @GuruAppSheet: Mi kreos agenton por via katalogo kaj montros al vi demonstraĵon uzante viajn produktojn.

Referencoj kaj fontoj

Demandoj kaj Respondoj

Ĉu ĉi tiu filmeto aŭ grafikaĵo estas konsiderata realtempa?

En reala tempo. La partikloj estas desegnitaj de la retumilo de la vizitanto uzante WebGL, 3D-grafikan teknologion troveblan en ĉiu moderna telefono. La servilo transsendas nur la voĉon kaj la nomon de la objekto, do la interreta ŝarĝo estas minimuma.

Kiel la artefarita inteligenteco scias, kiun formon montri?

Dum konversacio, la artefarita inteligenteco-modelo alvokas la ilon show_visual kun la nomo de objekto en la angla, ekzemple "kaftaso". Poste, biblioteko de 1 359 pretaj 3D-modeloj elektas taŭgan. Se neniu modelo estas havebla, 3D-silueto de emoji-ikono estas kreita; la sistemo ne desegnas homojn.

Ĉu ĝi malfruiĝos sur mia malnova telefono?

La kvalito aŭtomate adaptiĝas: se kadroj komencas malfruiĝi, la distingivo unue malpliiĝas, poste la nombro de partikloj. Kiam la artefarita inteligenteco silentas, la bildo refreŝiĝas malpli ofte por ŝpari la baterion, kaj en kaŝita langeto, ĝi tute ne desegnas.

Ĉu ĉi tio funkcias ĉe iPhone?

Jes, en Safari kaj Chrome ĉe iPhone kaj Android. Se la telefono ne subtenas la bezonatan WebGL2-reĝimon, ART DANYUK aŭtomate ŝanĝas al la stilo "3D-Steloj", kiu sufiĉas por norma WebGL.

Ĉu mi povas uzi ĉi tiun grafikaĵon en mia projekto?

Jes. La motoro Stardust estas senpaga por personaj kaj nekomercaj projektoj. Firmaoj bezonas komercan permesilon, kiu jam estas inkluzivita por VibeVox kaj 1001site klientoj. La fontkodo kaj instalaj ekzemploj estas haveblaj ĉe GitHub: github.com/DanikVR/vibevox-stardust.

Ĉu vi deziras tian retejon por via entrepreno?

Elektu stilon el 1000 specimenoj — artefarita inteligenteco-agento konstruos retejon bazitan sur via ligilo aŭ priskribo kaj plenigos ĝin en minutoj, ne semajnoj.

Vidi stilojn