视频生成跨越实时门槛，MiniMax H3 Max 开启无限 AI 直播丨日报

本期编辑：@三水、@鲍勃

01 有话题的技术

1、Anthropic 开放硬件标准 MHS 研究预览：让 AI Agent 统一操控实验设备，硬件集成从数周缩短到数小时

Anthropic 开放 Model Hardware Standard（MHS）研究预览，一套让 AI Agent 安全操作现实硬件的统一规范。它将显微镜、移液工作站、机械臂等不同设备转换成统一接口，让 Agent 可以同时发现、读取和控制多台设备；Anthropic 表示，过去往往需要数周甚至数月的硬件集成工作，可缩短到数小时或数分钟。

给不同硬件增加统一「驱动层」： MHS 将设备能力抽象成 read、write 等基础操作，并自动生成包含设备能力、可调参数和安全限制的描述文件，让 Agent 面对没见过的设备时也能理解如何操作。
Agent 可通过 MCP、命令行和代码统一控制设备： MHS 本身不绑定 Claude，任何模型和 Agent Harness 都可以通过 MCP 等标准协议接入；多台设备还能被编排成一条连续工作流。
从调用硬件 API 进一步走向闭环实验： Agent 可以读取设备实时状态、调整参数、监控实验结果，并在部分情况下自主恢复硬件错误；对于需要高速或长时间运行的操作，还可以把学到的流程写成确定性代码执行，而不是每一步都重新推理。
已进入真实实验室与制造场景测试： Genentech 使用 MHS 协调移液设备、机械臂和酶标仪完成蛋白实验；华盛顿大学团队则用它让 Claude Code 实时监控 qPCR，并协调机械臂与移液设备完成样品交接。

MHS 目前仅向首批科研实验室和先进制造企业开放 Research Preview，Anthropic 计划在完成安全评测和最佳实践验证后进一步开源。

https://www.anthropic.com/news/model-hardware-standard-research-preview

2、MiniMax 推出 H3 Max Live：视频生成速度快于实时播放，聊天室一句 Prompt 数秒改写「无限直播」

MiniMax 展示基于 H3 Max 的实时 AI 直播形态 H3 Max Live：观众在聊天室输入 !prompt，模型会在几秒内生成下一段带声音的视频并直接接入直播流，让节目内容随着观众指令持续变化。H3 Max 生成 5 秒、768p 音视频不到 3 秒，已经快于实际播放速度，因此上一段视频播放时，系统就能提前生成下一段，把视频模型从「一次生成一个片段」推进到可以持续运行的实时内容系统。

生成速度跨过实时门槛： H3 Max 支持 480p / 768p、5–15 秒、24fps 音视频生成，其中 5 秒 768p 不到 3 秒完成，15 秒内容约 15 秒生成。
观众直接参与节目编排： Twitch 等 Demo 中没有固定节目单，观众输入新 Prompt 后，系统会结合当前画面生成下一段场景，直播可以从街景、广告、动画持续跳转到新的内容。
从「视频生成」变成「持续内容流」： fal 已针对 H3 做实时生成后训练和推理优化，使模型可以被接入生成队列、编码和推流链路，而不是生成完一个文件再手动播放。
H3 Max 已进入开放平台： H3 Max 768P、480P 现已接入 MiniMax 开放平台和 MiniMax Design，开发者可以进一步搭建 AI 电视台、互动直播和持续生成应用。

https://x.com/fal/status/2094286082275696880

(@Minimax @fal@X)

3、Reactor × Hao AI Lab 开源无限 AI 直播系统：观众发 Prompt，FastH3 实时生成 768p 音视频并持续推流

Reactor 与 Hao AI Lab 基于 FastVideo 的 FastH3 搭建并开源了一套端到端「无限 AI 直播」系统。观众可以直接在 Twitch 或 YouTube 聊天室输入 Prompt，LLM 将想法扩展成连续场景，再交给 FastH3 生成带同步音频的 768p 视频片段，并通过 RTMP 无缝接入同一条持续直播流。

完整直播链路全部开放： 仓库覆盖聊天室输入、Prompt 扩写、场景编排、视频生成队列、播放调度和 RTMP 推流，不只是单独开放一个视频模型 Demo。
生成端使用 FastH3： FastH3 基于 MiniMax H3 蒸馏，将原本 49 次 Transformer Forward 压缩到 4 次，并使用 90% 稀疏视频注意力；8 张 B200 可在 13 秒内生成 15 秒、768p 音视频，达到快于实时播放的生成速度。
模型生成与直播系统分开部署： FastH3 运行在 Reactor Runtime 的 8×B200 环境，直播客户端则负责「聊天 → 场景 → 生成队列 → 推流」，普通机器安装 ffmpeg 即可运行客户端，两部分通过 Reactor SDK 和 WebRTC 媒体轨道连接。
代码采用 Apache 2.0 开源： 直播系统代码已完整公开；FastH3 模型权重则继承 MiniMax H3 Community License，开发者可以直接复现并改造成自己的 AI 电视台或互动直播。

https://haoailab.com/blogs/fasth3-preview/

4、开发者用 Codex + fal H3 数小时搭出「无限 TikTok」：边刷边实时生成视频，观看中还能续写到 30 秒

开发者 Rames Jusso 用 OpenAI Codex 在数小时内完成了一款支持无限滚动的 TikTok 式应用，视频内容由 fal 上的 H3 模型实时生成；从界面搭建、功能实现到演示录屏，整个流程基本交给 Codex 自动完成。产品不是预先准备固定视频库，而是在用户持续下滑时动态生成下一条内容；当用户停留观看某段视频时，系统还可以继续向后生成，把原本较短的片段延长到约 30 秒，展示了实时视频模型开始从「一次生成一个片段」转向持续内容流的可能性。

https://x.com/Rames_Jusso/status/2094160939776155706

(@Rames_Jusso@X)

5、NUS、NTU 等提出情感 TTS 系统 EmoTra-TTS：一句话内可从「开心」平滑过渡到「愤怒」，情绪转换质量最高提升 87%

新加坡国立大学、南洋理工大学、LIGHTSPEED 等研究团队提出 EmoTra-TTS，并已被 EMNLP 2026 主会接收。不同于常见 TTS 为整句话指定一个固定情绪，EmoTra-TTS 将情绪建模为随时间连续变化的轨迹，让同一句语音可以从「开心→愤怒」「惊讶→悲伤」等状态自然过渡，并允许开发者明确控制变化方向与强度。

把情绪从离散标签变成连续轨迹： 系统使用 VAD（愉悦度、唤醒度、支配度）描述句首和句尾情绪，并在整句话内部连续插值，使情绪变化发生在帧级，而不是把两段不同情绪的音频直接拼接。
在 CosyVoice2 上增加两阶段情绪控制： 第一阶段让 LLM 学习整句话的情绪变化趋势，第二阶段再把帧级情绪信号注入声学生成过程；新增参数仅约 0.43%，论文称不会增加额外推理延迟。
专门解决「情绪过渡数据难录」的问题： 团队先用多次 Flow 解码生成时间严格对齐、但情绪不同的语音，再在频谱空间平滑融合，自动构造大量「句中情绪发生变化」的训练样本。
论文实验显示情绪过渡质量明显提升： 相比 4 个 SOTA 基线和 ElevenLabs v3、gpt-4o-mini-tts 两个商业系统，EmoTra-TTS 的情绪转换质量相对提升 30%–87%；成对主观偏好测试中的整体胜率达到 64.4%–79.5%。
完整训练与数据处理代码已开放： 项目公开了数据合成、训练、推理和评测流程，并提供多组「惊讶→悲伤」「开心→愤怒」「愤怒→恐惧」等音频样本供直接对比。

https://liu-tianchi.github.io/EmoTra_DemoPage/

02 有亮点的产品

1、开源车载 AI 项目 CarWatch 0.4：Raspberry Pi 5 本地跑完整语音 Agent，断网也能直接问车况

CarWatch 0.4 新增完整车内语音交互链路：驾驶者说出「Hello car」即可提问，Raspberry Pi 5 在车内本地完成 VAD、whisper.cpp 语音识别、35B 级模型推理和语音播放，并结合 OBD 实时数据、车辆云端信息和 489 页车主手册回答问题；演示中最后一个问题在完全断网状态下完成。项目使用约 300 欧元硬件，AGPL 开源，可适配带 OBD 接口的车辆。

https://github.com/ThinkOffApp/CarWatch

2、开源爆款小智 A I 孵化「龙树智能」获天使轮融资，首发 AI 代接电话硬件：金沙江创投、泓川源资本参投

由 GitHub 开源项目「小智 AI（xiaozhi-ESP32）」团队孵化的龙树智能完成天使轮融资，投资方为金沙江创投与泓川源资本。这家公司 2026 年 2 月成立，团队此前已通过开源社区积累百万级设备接入、数十万开发者和日均近千万次真实对话，开始把这套实时语音交互与设备连接能力进一步产品化。

从开源 Voice AI 社区走向商业产品： 小智 AI 生态长期围绕 ESP32 等低成本硬件提供实时语音交互方案，龙树智能则试图将已有的设备连接、低延迟音频和云端 AI 服务能力转向消费级与企业级硬件。
首款消费硬件 TonoCard 主打「AI 代接电话」： 设备磁吸在手机背面，通过蓝牙获取通话音频，可根据用户预设规则主动询问来意、过滤骚扰和推销，再将重要信息整理给用户；需要本人处理时，可震动提醒并切回真人接听。
同时布局 AI 应用生成与边缘硬件： TonoBraid 面向「说需求—AI 生成应用—直接运行」的 AI 原生应用开发，另有面向制造、仓储、园区和零售等场景的边缘侧 AI 硬件方案。

https://github.com/78/xiaozhi-esp32

（@AING 硬迹）

3、开发者开源语音控制 MIDI 工具 midi-voice：直接对合成器说「加贝斯、换音色、开始循环」，AI 自动编排并演奏

开发者 jia-seed 将 Roland Juno-D8 合成器接入浏览器，用语音直接控制 MIDI 演奏和循环编排：语音先由 Web Speech API 转成文字，再交给 Claude Sonnet 4.6 理解成 start_loop、add_track、play_chord、program_change 等 MIDI 工具调用，通过 Web MIDI API 直接发到合成器。系统会保留当前循环中的调性、BPM 和已有声部，因此用户继续说「加一个管乐」「让它更暗」「多一点混响」时，模型会在现有编曲基础上补充新的声部，而不是只执行单次按键命令。

https://github.com/jia-seed/midi-voice

(@jia_seed)