课程背景

文本模型已无法满足日益增长的AI应用需求。图像理解、图像生成、语音识别与合成正在成为企业级应用的标配。本课程聚焦主流多模态API与实践，帮助开发者快速构建能看、能画、能听、能说的跨模态智能应用，包括数字人、自动化内容生成等前沿方向。

课程收益

熟练调用视觉语言模型（GPT-4V、Claude 3、Qwen-VL）进行图像理解、图表分析、UI转代码

掌握图像生成API（DALL-E 3、Stable Diffusion）并构建自动化视觉内容工作流

使用Whisper API实现高精度语音转文本

使用TTS API（ElevenLabs、Edge TTS）实现自然语音合成

了解数字人API的集成与Deepfake风险

具备构建跨模态应用（如交互式数字人客服）的能力

课程特色

API优先：无需自建模型，快速集成

多模态串联：设计从语音输入 → 理解 → 生成 → 语音输出的全链路

前沿应用：UI转代码、社交媒体自动化生成器、数字人化身

伦理与安全：Deepfake、版权、偏见问题深度探讨

贯通式毕业项目：构建交互式数字人客服助理

课程对象

希望拓展多模态能力的全栈工程师、AI应用开发者

产品经理、创意设计师想探索AI视觉/音频能力边界

教育、娱乐、客服领域的技术负责人

前置知识：Python编程、HTTP API调用基础。有LLM应用开发（RAG/Agent）经验更佳。

课程大纲

模块一：AI的“眼睛”：视觉语言模型与应用（2节课，约4小时）

第1课：超越文本：VLM的核心能力与API（2小时）

主流VLM对比：GPT-4V、Claude 3 Vision、Qwen-VL、Gemini Vision

API调用方式：多模态消息格式（图片URL或Base64）

能力边界与伦理挑战（人脸识别、隐私）

实践：调用GPT-4V识别一张复杂图片中的物体与关系

第2课：实战：构建“看图说话”的自动化工具（2小时）

图表分析：将销售图表转换为表格数据

UI转代码：从设计图生成HTML/CSS代码

医疗影像辅助描述（概念演示）

实践：构建一个图表分析器，输入饼图，输出JSON格式数据

模块二：AI的“画笔”：程序化内容生成（2节课，约4小时）

第3课：生成式视觉API：从DALL-E 3到Stable Diffusion API（2小时）

DALL-E 3 API：提示词优化、图像尺寸、生成数量

Stable Diffusion API（Replicate、Hugging Face）

图像编辑：Inpainting、Outpainting

实践：生成一张符合品牌风格的广告图

第4课：实战：构建自动化视觉内容工作流（2小时）

串联：LLM生成提示词 → 图像生成API → 图像存储 → 社交媒体发布

批量生成与变体控制

实践：构建一个社交媒体内容生成器（根据主题生成文案+配图）

模块三：AI的“耳朵”与“嘴巴”（2节课，约4小时）

第5课：语音转文本（ASR）：使用Whisper API解锁音频数据（1.5小时）

Whisper API的使用：不同模型版本、语言识别、时间戳

长音频处理：分块与异步

实践：将会议录音转换为文字稿并提取摘要（结合LLM）

第6课：文本转语音（TTS）：让你的应用开口说话（1.5小时）

主流TTS API：OpenAI TTS、ElevenLabs、微软TTS

语音风格控制：速度、音调、情感

实时流式语音输出

实践：为聊天机器人增加语音回复功能

第7课（高级）：集成数字人API —— 打造你的AI虚拟化身（1小时）

数字人API（Heygen、D-ID）：文本/语音驱动人物视频

唇形同步技术原理

Deepfake风险与法律合规探讨

实践：创建一段30秒的数字人介绍视频

模块四：毕业项目启动与综合指导（1节课，约2小时）

第8课：跨模态应用架构设计与延迟优化（2小时）

端到端延迟瓶颈分析（ASR→LLM→TTS）

使用缓存、流式输出优化用户体验

项目选题建议：交互式数字人客服、视频自动字幕生成器、多模态内容审核管道

毕业项目：构建一个完整的跨模态智能应用（贯穿课程，课内启动，课后完成）

旗舰项目选项：交互式数字人客服助理（用户语音提问 → ASR转文字 → LLM理解 → 知识库检索 → TTS回复 + 数字人口型同步）

备选项目：自动生成产品介绍视频（图像生成 + TTS + 字幕）

UX要求：重点关注并解决端到端延迟问题，优化用户等待体验

杨文清

大数据&云计算资深实战派专家 杨文清

【专业资质】

20年企业应用与研发经验

拥有2项人工智能相关国家发明专利

中国联通集团深度培训资深讲师

AWS 云计算认证专家

曾任 IBM中国华南区高级咨询顾问

曾任华为Cloud BU高级架构师

曾任广州云宏研发总监

曾任广州智数x-Lab实验室首席科学家

武汉大学计算机科学专业硕士，22年企业应用与研发经验，曾就职于IBM、华为等大型企业，十年华为工作经验，任职华为高级架构师。

并先后担任过知名互联网公司研发总监和智数xLab实验室首席数据科学家。亚马逊云计算认证专家、VMware国际认证讲师。

中国联通集团引擎计划深度培训资深讲师（主讲Docker&K8S、Hadoop、Spark、机器学习、深度学习），对云计算、大数据有深刻的理解，主导过多项国家级大数据项目，并拥有人工智能方面的若干项国家专利。

【实战经验】

IBM中国华南区高级咨询顾问，期间曾参与公安、金融、通信、制造等行业云计算产品方案研发，为多个大型企业提供IT基础建设咨询。

华为Cloud BU高级架构师，聚焦于是云服务产业端到端管理的经营单元，负责构建云服务竞争力，对云服务的客户满意度和商业成功负责。

广州云宏研发总监，带领团队研发了WinCloud云计算管理平台、CnWare云计算操作系统，产品覆盖运营商、公安、金融、政府机关、教育、医疗等多个领域，虚拟机数量超过50万。受到国家、省市领导和专家的肯定和好评。

【项目实战经验】

国产云操作系统 (CnWare) 研发总监

云宏：参与主导公司核心产品WinCloud云管理平台建设，是当前市场上唯一可以同时管理小型机虚拟化、x86虚拟化和arm架构虚拟化的云管理平台；CnWare是唯一的国产云操作系统，对标VmWare，内容包括虚拟化管理中心、虚拟化中间件和虚拟化引擎3部分，实现了全生态全流程的虚拟化覆盖。该产品在中国电信集团采购入围时获得总分第一的成绩。

构建智慧水务AI预警平台 实验室首席科学家

智数信息：任职xLab实验室首席科学家，负责公司前瞻性技术的基础研究，并实现新技术在项目中的落地。期间将以太坊区块链技术应用到了现有的食品溯源系统；协助研发团队在智慧城市管理项目实现了物联网数据的全自动处理过程；协助研发团队将自动化运营引入到港珠澳大桥综合管理系统。作为公司首席科学家，对基础研究的标准化（选型、可行性、研究、应用）过程制定了完整的过程管理。

港珠澳大桥综合业务管理系统 首席架构师

构建综合业务管理平台，为大桥的物流、应急管理、通关提供坚实的数据支撑，提升信息化效率。

宝安智慧水务 研发总监|架构师

实现了物联网数据的全自动处理、自定义指标预警、自助式数据可视化分析，用于企业污水排放监控 。

财政信息一体化 后端架构师

建设大数据平台与业务系统，实现数据整合、可视化、异常数据监控与财政指标智能预测 。

电信经营分析系统 项目经理 / 主导设计

用数据仓库技术与可视化，对电信企业的内部和外部数据进行综合分析处理，生成运营指标 。

【擅长领域】

核心技术/技术管理/架构能力；热衷于技术驱动业务，致力于将新技术转化为高效的生产力。

【讲师优势】

拥有超过20年一线实战经验的复合型技术专家与资深讲师。兼具华为与IBM的顶级企业架构视野，以及将前沿技术从0到1成功产品化的落地能力。

多年来始终坚持在技术一线参与核心研发工作。 对技术在真实业务场景中的痛点、难点和选型权衡有极为深刻的理解，确保了其教学内容与业界最新实践紧密结合，直击问题本质。

【主讲项目/课程(部分)】可根据企业需求组合成不同深度的技术训练营。

《数据科学基础》

《Python编程：从入门到数据处理》

《数据分析思维》

《数据可视化技术与分析报告撰写》

《机器学习核心》

《机器学习经典算法与理论》

《集成学习实战：深入解析XGBoost等模型》

《基于Spark的海量数据分析与机器学习》

《深度学习进阶》

《深度学习框架PyTorch：入门与应用》

《卷积神经网络(CNN)与循环神经网络(LSTM)实战》

《LLM基础：注意力机制(Transform)实战》

《AI技术工程化》

《AI应用基础：提示词工程》

《RAG（检索增强生成）开发实战》

《AI Agent（智能体）开发实战》

《AI 行业应用案例分析》

【授课风格】

1.实战派落地教学，拒绝空谈赋能​

课程内容紧密结合主导的大型项目真实经验，案例翔实，以真实场景、真实案例、真实打法为核心支撑，全干货、全落地，拒绝空谈理论。

2.架构师全局视野，搭建体系能力​

跳出单一操作教学，深度拆解业务底层逻辑与运营架构，溯源打法设计原理，助力学员构建系统化、可迭代的完整业务体系。

3.通透化授学思维，实现举一反三​

依托全域实战经验拆解核心本质，沉淀通用方法论，助力学员举一反三、灵活复用、全域落地。真正实现学一项、通一类、用全域。

【服务客户(部分)】

运营商：联通集团总部、中国电信河南有限公司、中国电信山东有限公司、中国电信江苏有限公司、中国电信重庆有限公司、中国联通广东有限公司、中国联通福建有限公司、中国联通广西有限公司、中国联通上海有限公司、中国联通陕西有限公司、中国联通河北有限公司、中国联通云南有限公司、中国联通重庆有限公司、中国联通四川有限公司、中国联通青海有限公司、中国移动江苏有限公司、中国移动云南有限公司、中国移动浙江有限公司、中国移动河南有限公司、中国移动四川有限公司、中国移动吉林有限公司、中国移动湖北有限公司、中国移动安徽有限公司等

IT公司：华为、腾讯云、IBM、DELL、航天科工、中国航天、TaTa集团、中科曙光、龙芯中科、航天云网、航天科工、联想集团、腾讯云、蓝盾、浩云科技、润乾等

能源：国家电网（湖北省、浙江省、成都等）、南方电网、广东能源集团、江苏核电、国家电投、国网电科院、国能集团长源电力、中煤电力等

银行：中国银行广州分行、招商银行武汉分行、中国银行江苏分行、农业银行荆州分行、交通银行贵州分行、交通银行武汉分行、建设银行广州分行、中国邮政储蓄银行长沙分行、中国邮政储蓄银行南昌分行、平安银行杭州分行、广发银行广州分行、兴业银行、北京银行、工商银行、工银投资、宁波银行等