FastGPT 语音与图像联合交互的历史需求

适用场景与历史记录

原议题建议参考 Open WebUI Call Mode，把实时语音与图像输入结合。 原始讨论提交于 2024-10-09，本页按该记录说明症状或需求的适用范围。

已有证据与适用范围

当前文件输入和语音配置文档提供相关基础能力；连续录音、实时双向传输和图像联合处理各有独立适配条件。

排查与复测

1. 明确实时交互所需的输入形式、响应延迟、打断和图像时序。
2. 分别验证语音输入、自动语音回复和模型图像识别。
3. 组合测试时记录每一轮媒体、转写和响应时间，再按差距提出具体需求。

这些检查用于复现和验证同类场景。继续反馈时，提供准确版本、最小输入、预期结果和脱敏日志，并引用原始讨论。

参考资料

来源: 原始讨论：对标 Open WebUI Call Mode 的实时语音对话功能

来源: FastGPT 语音输入

来源: FastGPT 文件输入与 4.8.13 行为说明