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。
示例代码
网友回复
我知道答案，我要回答
私活外包
最新提问
如何破解绕开seedance2.0真人照片生成视频 限制？
python有哪些算法可以将视频中的每个帧图片去除指定区域水印合成新的视频？
iphone的激光雷达数据能否实时传输到three三维空间中？
豆包sora等ai视频生成大模型生成的视频水印如何去除？
python如何实现在电脑上拨号打电话给手机？
具身机器人与人形机器人区别？
nodejs如何将一个完整的js代码文件切割成不同的部分混淆后动态加载进入html运行？
为啥windows.onerror捕获js错误是这样的{"message":"Script error.","source":"","lineno":0,"colno":0,"stack":null,
2026年ai将全面接管编程？
WebMCP是干啥的？
