“昨晚 OpenAI 正式發布了 o3 模型，AI 圈一片沸騰。作為電子工程師的我撓了撓頭，好像和我沒什么直接的關系倒是 OpenAI 的另一個小發布，讓我很感興趣：一個可以在 Linux 和 ESP32 上使用的 Realtime API SDK。”

對，就是上面這個項目，剛發布沒多久，文檔都幾乎沒有。感興趣的小伙伴可以自己去看一下： https://github.com/openai/openai-realtime-embedded-sdk 這個 SDK 能干嘛？

這個 SDK 主要是給嵌入式硬件設計的，目前只支持樂鑫的 ESP32s3。以下是經過驗證的兩個開發板：

Freenove ESP32-S3-WROOM

Sonatino - ESP32-S3 Audio Development Board

其它的 ESP32-S3 硬件理論上也能跑，只是沒有經過驗證。 當然如果你只想玩一下，也可以不用任何硬件，直接在 Linux 上運行。

SDK 基于 OpenAI 最新的 WebRTC，可以提供低延時的語音對話服務。Altman 在發布會上演示的 AI 實時語音對話、打斷等就是基于 WebRTC。感興趣的小伙伴可以看一下 WebRTC 的介紹：

https://platform.openai.com/docs/guides/realtime-webrtc

配置完成后build一下，然后燒錄到 ESP32S 的固件里即可。接下去就可以直接調用 API 了。這種方式簡化了硬件調用實時語音，甚至視覺識別的方法，典型的應用有：

陪伴類的玩具

可穿戴設備

智能音箱/語音助手

國內有平替嗎？

如果用不了 OpenAI，國內其實也有類似的服務，比如火山引擎的 RTC：

https://www.volcengine.com/product/veRTC

字節推出的顯眼包2.0用的就是 RTC 服務：

在上周的“2024火山引擎冬季Force原動力大會”上，已經有不少硬件廠商展示了基于 RTC 的產品demo。其中有一個品牌“Haivivi”做了現場演講，分享了他們的理念和創業經歷。雖然只是一個“可以對話”的玩具，卻有別于傳統的智能音箱，得到了很多用戶的認可。我在現場也體驗了一下RTC的效果，延時在2~5秒之間，基本可以滿足實時對話的要求。

字節的產品經理也提到了嵌入式的 SDK，但沒有詳細公布支持的硬件型號，估計還處于測試階段。但毫無疑問，ESP肯定是合作伙伴之一。

“端插件”是什么？

專題論壇中還提到了“端”插件的概念。簡單說就是把硬件的功能（比如調節音量、驅動電機等）以插件的形式注冊在大模型的平臺，端側的硬件只要收集用戶的輸入，傳輸到大模型后由模型進行數據處理并根據解析的結果調用“端”插件執行硬件端的動作。

這種范式有可能降低硬件端的成本（因為端側不再需要算力，只要做輸入、輸出及信息交互），并有可能降低開發的時間（可以很快添加語音識別、圖像識別等功能，因為不用基于硬件開發，可以直接丟給模型處理）。這里的潛臺詞是：類似語音交互、圖像識別的任務，大模型一定比本地的硬件做的好。當然前提是要能接受數據傳輸和處理的延時，另外數據安全也是需要考慮的因素之一。

結束語 人工智能技術尤其是大模型和AIGC正以前所未有的速度迅猛發展，它們的影響力已經滲透到各個行業，包括電子硬件領域。作為電子硬件工程師，我們站在技術革新的前沿，面臨著前所未有的機遇與挑戰。我們必須深入思考，如何將AIGC等前沿技術與硬件設計相結合，以實現創新突破。打造出更智能、更高效、更符合市場需求的產品，從而在激烈的市場競爭中占據有利地位。

注意：如果想第一時間收到 KiCad 內容推送，請點擊下方的名片，按關注，再設為星標。

常用合集匯總：

和 Dr Peter 一起學 KiCad

KiCad 8 探秘合集

KiCad 使用經驗分享

KiCad 設計項目（Made with KiCad）

常見問題與解決方法

KiCad 開發筆記

插件應用

發布記錄

審核編輯 黃宇