vLLM-OMNI / DUO

实时音视频对话

使用摄像头实时对话,或上传视频,让模型观看并回应。

参考图与 System prompt
本次会话的模型参考图
可直接输入一段设定;完整模型 system 消息会原样使用。此模式无需填写人物、环境和初始姿态。JSON 可提供 system_prompt,或 appearance、environment、initial_pose。参考图按所选方向等比缩放并留边,设置在开始会话时生效。
连接服务中…

上传视频按整段 ASR / 强制对齐准备输入,回复连续 4 块回到等待后结束;整句回应不受固定秒数截断。实时通话继续逐块 ASR,其余生成配置相同。文件最大 1 GB;可下载原始输入视频、模型输出和双方对照视频。

输入你的画面与声音
等待输入画面
模型回应24 fps · 立体声
生成的画面将在这里播放

建议佩戴耳机。开始后可以自然说话,停顿片刻给模型留出回应时间。结束会话可重新开始。