回答-BFW问答

通常有两种方案

1、实时音视频通话的api，例如gemini-2.0-flash-live-001或qwen Omni的模型，这就要求实时的音视频接入，tokens消耗量大，但是实时性高。

2、将面试题目一个个发给用户并进行用户答题视频前端录制好，最后结束后一起整理成视频发送给多模态模型进行评估，这个消耗tokens少，而且如果不需要视频，还可以直接将视频中音频剥离给ai大模型评估，甚至准成文字进行评估。