首个手摇供电离线语音智能体 CrankGPT 发布；生数科技发布 Vidu S1 实时交互模型，无限时长流式生成丨日报

开发者朋友们大家好：

这里是「RTE 开发者日报」，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement）领域内「有话题的技术」、「有亮点的产品」、「有思考的文章」、「有态度的观点」、「有看点的活动」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@koki、@鲍勃

01 有话题的技术

1、生数科技发布 Vidu S1 实时交互模型：基于 AR + Diffusion 架构实现 540P/25FPS 无限时长流式生成

生数科技正式发布面向实时交互场景的视频生成模型 Vidu S1。该模型基于自回归扩散模型架构，支持通过语音实时控制视频中角色的动作与表情，在消费级 GPU 上可实现 540P、25FPS 的无限时长流式视频输出，打破了传统视频模型的离线生成限制。

AR + Diffusion 自回归扩散架构：模型不再一次性生成固定时长（3s-30s）的闭环视频，而是基于历史画面、当前语音指令和上下文，流式预测并持续生成后续视频内容，支持数小时连续互动且保持人物角色一致。
540P 级实时渲染性能：通过软硬件协同优化，在消费级 GPU 上实现 540P （960x540）分辨率、25FPS 帧率（最高支持 42FPS）的超低延迟视频生成，满足实时通话级交互要求。
多重推理加速与注意力优化：底层基于 TurboDiffusion 推理加速框架，融合了 8 位注意力机制 SageAttention、稀疏线性注意力 SLA 以及 SpargeAttention 算法，大幅降低单帧视频生成的计算成本。
动态资源调度部署：基于 TurboServe 推理部署引擎，持续记录并追踪用户输入、角色状态及历史帧，实现高效的推理请求调度与流式服务协同。
单图零训练生成式角色构建：用户仅需上传单张初始图片（支持真人、动漫或萌宠）并搭配自定义音色，无需离线 3D 建模、角色绑定或口型适配训练，即可直接驱动高拟真度的实时双向互动。

（@生数科技）

2、Squeez Labs 开源 CrankGPT：手摇供电、完全离线的树莓派 5 语音智能体

Squeez Labs 开源了 CrankGPT 项目，这是一款完全离线、无电池且由手摇发电机供电的便携式语音智能体。该系统基于树莓派 5 运行本地轻量化模型，在无电网、无云端支持的环境下，实现了首字延迟最低 0.8 秒的即时语音交互。

20W 手摇发电机与超级电容滤波： 采用手摇发电输入，配备由 3 个 2.7V 50F 超级电容组成的自定义电源板作为 20 秒电能缓冲，平抑本地推理阶段最高 5A 的瞬时电流冲击，稳定维持树莓派 4.8V 至 5.3V 的工作电压。
极简 DietPi 系统与 3 秒引导： 搭载裁剪版 Debian 系统 DietPi，关闭蓝牙、无线等未用硬件，将 Linux 内核至用户空间的启动耗时缩短至 3 秒，整机冷启动（含固件自检与模型/库加载）控制在 30 秒内。
无 PyTorch 依赖的轻量推理栈： 移除所有 PyTorch 依赖以节省内存，软件栈全面运行于 ONNX Runtime。语音识别使用 Moonshine ASR 与 Silero VAD；语言模型基于 llama.cpp，支持 Liquid AI LFM2.5（350M/1.2B）及 Gemma 3 1B；语音合成使用 Piper。
首字延迟最低 0.8 秒与内存带宽红利： 树莓派 5（DDR4）运行 LFM2.5 350M 模型的首字延迟仅 0.8 秒，运行 LFM2.5 1.2B 时为 1.5 秒。由于语言模型推理极度受限于内存带宽，换用具备 DDR5 内存的 Orange Pi 5 Pro 后，Token 生成速度可提升 29% 至 58%。
流式合成与计算能耗物理反馈： 采用句子级流式处理，动态压缩首句长度以加速首字响应。当语言模型推理与语音合成并发运行，整机功耗攀升至 15W（电流达 3A），发电机的物理阻力会显著增大，向用户提供直观的计算能耗物理反馈。

https://squeezlabs.github.io/handcrank/

(@coinbureau@X、@squeezlabs)

3、阿里发布 Fun-ASR-Realtime 实时语音模型：百毫秒级首字延迟，支持 16 种方言与 30 种语言

阿里正式升级流式语音识别模型 Fun-ASR-Realtime，该模型具备百毫秒级首字时延，并在影视飓风100 小时直播实战中完成了 132 万字实时字幕输出。模型通过泛上下文强化，弥合了实时流式识别与离线高精度识别之间的准确率差距。

泛上下文实时动态纠错：模型针对历史对话和实时热词进行专项强化，具备上下文理解能力，可根据后续输入的语义信息，实时在线修正已经输出的错误文本。

在影视飓风「重返荒岛」100小时直播节目中，实时字幕根据上下文纠错，将「叶鹿」改为「夜鹭」。

16 种方言平均字符准确率 88.62%：在八大方言区测试中，高难度的上海话、苏州话、温州话字符准确率分别达到 92.41%、89.21% 和 82.74%，在 12 类方言上指标超越同类竞品。
工业级远场噪杂环境适应力：在 5 类中英文工业场景测试中，中文平均字符准确率达 88.42%，英文达 91.58%；针对泰语等东南亚语种进行专项优化后，其识别准确率提升 20%。

同代离线模型登顶全球榜单：其离线版本 Fun-ASR-Flash 在 AI 评测平台 Artificial Analysis 上，以 1.7% 的字错率位列全球第一。

（@通义实验室）

02 有亮点的产品

1、Domus Next 推出 SuperNori：基于 Android 系统权限与 Home Assistant 的原生家庭智能体操作系统

旧金山智能家居初创公司 Domus Next 推出家庭智能体系统 SuperNori，定位为空间原生的家庭操作系统。该系统通过深度整合 Android 底层权限与 Home Assistant 生态，实现了跨软件、服务和硬件的统一自主执行。

Android 系统级权限与 Home Assistant 深度整合：SuperNori 并非传统的应用级控制接口，而是通过 Android 系统级底层权限与开源智能家居生态 Home Assistant 结合，实现跨协议、跨品牌的物理硬件协同，将零散的智能设备统一为系统级协调单元。
免 API 的直接用户界面操作：在软件层面，该系统无需依赖特定的 API 或预建集成，能够像人类用户一样直接在数字终端的屏幕上进行浏览、文本输入和界面导航，从而直接操作各类第三方软件和服务。
多步骤并行执行与全后台运行：系统能够将自然语言指令翻译为结构化行动，自动拆分为多步工作流，并在数字环境与实体硬件中并行执行。系统全程在后台保持运行，直至任务完全闭环，无需用户中途确认。
主动式情境感知与决策连贯性：系统能够主动检测异常交通、生活用品库存等上下文信息，结合用户习惯提前推荐购买、预订出行或调整冲突日程，实现从「请求-响应」向「自主执行结果」的交互模式转变。

( @TechCrunch)

2、Lucida AI 获 700 万美元种子轮融资：利用自研语音语言模型提供免文本口语对话学习

近日，语言学习公司 Lucida AI 宣布完成 700 万美元（约合人民币 4752 万元）种子轮融资，由 Velocity Capital 领投，Next Tier Ventures、Look AI Ventures 等多家机构参投。

Lucida AI 于 2024 年创立。当多数语言学习产品还在教用户认单词、记语法、做测验时，Lucida AI 选择了一条相对不同的路——将口语流利度置于语言学习的核心，通过实时 AI 对话帮用户提升口语沟通能力。该公司认为，其积累的海量语音数据将能反哺模型训练，持续优化对话体验。

据介绍，其专有的语音语言模型（SLM）能让用户无需文本提示即可与 AI 自然对话，系统会根据熟练程度调整对话内容，并针对流畅度、发音和清晰度提供即时反馈，同时模拟从日常交流到商务会议、客户电话等真实场景。

目前，Lucida AI 既有面向个人用户的 App 版本，也提供支持本地托管和端到端加密的企业部署版本。

Lucida AI 联合创始人 Mustafa Girgin 和 M. Sait Demirci 表示：「AI 正在成为一场全球竞赛，有意义的创新不再局限于单一地域……我们的目标很明确：构建一个可扩展的、原生支持语音的 AI 平台，为全球通信提供支持。」

过去 15 个月，Lucida AI 已累计吸引 300 万用户，完成 22 亿分钟的语音互动，年度经常性收入突破七位数。该公司计划利用这笔资金拓展新语言和市场，进一步开发语音对语音 AI 基础设施，并加速产品在全球范围的落地。

（@多知）

03 有态度的观点

1、宇树科技陈立：具身智能的「ChatGPT 时刻」需达成两个 80%

据财联社报道，宇树科技联合创始人陈立日前在 2026 亚布力中国企业家论坛第十二届创新年会上表示，具身智能机器人目前尚未实现大面积应用，核心原因在于具身智能大模型尚未成熟。

陈立在演讲中定义了具身智能的「ChatGPT 时刻」，其核心标志为「两个 80%」：机器人在 80% 的陌生场景中，通过语音或文字指令能够顺利完成约 80% 的任务。他预计，在垂直的 To B 场景中，完全自主解决 80% 任务的目标有望达成；而在对泛化能力要求更高的 To C 场景，预计可能需要 8 至 10 年甚至更久才能成熟。针对未来 2 至 5 年的行业发展，陈立提出了三大关键要素：

需要统一的端到端机器人大模型；
需要更低成本、更高寿命的硬件；
低成本的大规模算力。

他指出，由于端侧算力存在续航、散热和成本限制，而云端存在延时问题，未来的算力形式可能是分布式的。陈立对行业长期前景表示乐观。他预测，今年起具身智能机器人将引领全新的消费浪潮，大幅推动社会生产力与劳动力升级。

(@APPSO)

04 社区黑板报

招聘、项目分享、求助……任何你想和社区分享的信息，请联系我们投稿。（加微信 creators2022，备注「社区黑板报」）

1、开赛招募 | CCF IVC 2026 大赛——智能导航方言语音识别挑战赛开启

CCF IVC 2026 大赛——智能导航方言语音识别挑战赛正式开赛！晴数智慧（Magic Data）联合北京建筑大学城市建筑超级智能技术北京市重点实验室、西北工业大学音频语音与语言处理实验室（ASLP@NPU）、上海交通大学跨媒体语言智能实验室（X-LANCE Lab）等高校顶尖实验室提供技术与数据支撑。

1 万小时 WenetSpeech-Chuan 开源语料+全新开源的 12 城子方言数据集全程加持，报名参赛还能获取官方专属导航场景训练数据，想刷榜方言识别、攻坚车载落地场景的开发者们，速来报名同台竞技！

赛程安排：

参赛对象

赛事面向全社会开放，全球高校学生、科研人员、科技企业从业者、初创团队及独立开发者均可参赛，无国籍、年龄、职业限制。

赛项报名入口：

https://www.gitlink.org.cn/competitions/INDASR

大赛官网：

https://ccf.org.cn/ccfivc2026

官方公众号：CCF 智能汽车分会

大赛联系人：刘老师 18661071388 / 袁同学 18581710197

详情请见：

开赛招募 | CCF IVC 2026 大赛——智能导航方言语音识别挑战赛开启！

写在最后：

我们欢迎更多的小伙伴参与「RTE 开发者日报」内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。

对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。

作者提示: 个人观点，仅供参考