用 WiFi 隔墙看人、测呼吸心率，68k star 的项目——但 docker run 出来的是模拟数据
用 WiFi 隔墙看人、测呼吸心率，68k star 的项目——但 docker run 出来的是模拟数据
这一个多礼拜的 Trending，我看得有点腻了。
翻来覆去都是 Claude Code 插件、agent 框架、skill 合集——markitdown、liteparse、compound-engineering，外加各种 skills 仓库，AI 全挤在「一个聊天框 + 一堆工具调用」这一亩三分地里卷。今天榜单上总算混进来几个不太一样的：有人让 AI 去读 WiFi 信号，有人把一整套 AI 塞进一个断网也能用的铁盒子，还有人让模型听一句话描述就造出一个声音。
感官、离线、声音——方向各不同，但都有个共同点：不是再套一层 agent。今天就聊这三个。
ruvnet/RuView
先说最唬人的。RuView 这个项目的一句话介绍是：用你家路由器的普通 WiFi，隔着墙看见人、数清几个人、还能测呼吸和心率——不用任何摄像头。
光这一句，star 就堆到了快 7 万，今天又涨 655。作者是 ruvnet（Reuven Cohen），GitHub 上的高产选手，写 README 的风格一向是「能想到的全写上」——你点进去会看到 105 个边缘模块、世界模型预测、witness chain、17 关键点姿态估计……信息量大到像在看一份军工标书。
它背后的物理是真的。人一动、一呼吸，哪怕只是坐着，都会扰动空间里的无线电波，这种扰动藏在 WiFi 的 CSI（信道状态信息）里。学术界早有相关工作——CMU 的 WiFi DensePose 能用 WiFi 重建人体姿态，PulseFi 这类研究则证明 CSI 真能测出呼吸和心率，波形跟绑在胸口的呼吸带都能对得上。RuView 干的事，就是把这条研究线做成一套能装的开发者套件，跑在 9 美元的 ESP32-S3 上。
但这里有个大坑，得说清楚。 大多数人冲进去第一件事是：
1 | # 你以为这就「跑起来」了 |
然后盯着花花绿绿的实时面板，以为自己已经在隔墙看人了——这个 Docker 镜像喂的是模拟数据。想碰到一点真实信号，你得去买 ESP32-S3、刷固件，而且单个节点只能做「有没有人」这种级别的检测；要姿态、要分房间，官方自己说得 3 个以上节点（一套 mesh 大概 54 美元）。原版 ESP32 和 ESP32-C3 还都不支持。
而且能力是分层的，README 自己也没藏着：存在检测最靠谱，呼吸在「单人、静止、3 米内」的理想条件下还行，心率就明显虚了（官方示例里心率置信度 0.63，呼吸 0.87），至于隔墙姿态估计——准确率 PCK@20 才 2.5%，离能用的 35% 差着十万八千里，文档直接写「数据采集阶段还没做完」。
社区里早就吵翻了，有人直接喊「这是假的、面板是 mock 的」。ruvnet 的回应挺硬核：丢出一个确定性校验脚本，跑 100 帧固定回放，SHA-256 对得上就打印 RESULT: PASS，你自己验。
我的判断：别被「9 美元隔墙测心率」这句话钓走，那是营销话术的最大公约数；但也别跟着起哄喊假——它底下是有真东西的，是目前把 WiFi CSI 感知做得最像「能装的产品」的开源项目，没有之一。它真正的价值不在那几个最炸裂的指标，而在于把一条原本只活在论文和实验室里的技术，铺成了 ESP32 刷固件、接 Home Assistant、出 Matter 端点的完整链路。想玩 WiFi 感知，这是最好的入口；但请把每一个生命体征数字都默认加上「实验室条件、单人静止、得插好几个节点」的前提，再去信。
Crosstalk-Solutions/project-nomad
另一个把 AI 往「云外面」拽的，是 project-nomad，今天 +469，累计 2.7 万 star。
名字全称 Node for Offline Media, Archives, and Data，说白了就是一台断网也能用的知识方舟。一条命令装完，浏览器开 localhost:8080，里面给你打包好了一整套离线工具：
1 | curl -fsSL .../install_nomad.sh | sudo bash |
它塞进去的东西很实在：Kiwix 离线维基百科 + 医疗手册 + 电子书、Kolibri 离线可汗学院课程、ProtoMaps 离线地图、CyberChef 数据工具，最关键的是一套 Ollama 本地大模型 + Qdrant 向量库的 RAG 问答——你可以直接对着这堆离线资料提问，而不只是把它们存着吃灰。
说句实话，这里面没有一样是 nomad 发明的。Kiwix、Kolibri、Ollama 全是早就存在的成熟项目。nomad 干的是整合和策展：把这些一向「装起来很烦」的离线工具收进一个 Docker 编排里，配一个干净的管理后台，一条命令搞定。而且出品方 Crosstalk Solutions 是搞网络的老牌 YouTuber（Chris Sherwood），homelab 圈子本来就认人，star 这么涨不奇怪。
谁该看：homelab 玩家、爱囤资料的、给孩子准备离线学习机的、经常在信号差的地方跑的人——以及，是的，prepper（末日准备党）。
我的判断：「离线 AI 求生」这层壳，一半是赛博末日浪漫——你得伺候一台带 GPU 的盒子（官方推荐 32G 内存 + RTX 3060 起步），为一个大概率不会来的末日做准备。但把末日滤镜摘掉，它作为一个 homelab 项目是真有用的：一个本地的、私密的、没广告的维基 + 可汗学院 + 地图 + AI 问答，不用等末日，信号差、带娃、不想数据上云的时候就值。卖点是末日，真正的用户是折腾党。
OpenBMB/VoxCPM
最后这个回到「屏幕里」，但思路同样有意思。VoxCPM 今天 +779，是三个里涨得最猛的，累计 2.2 万 star，出自 OpenBMB——就是做 MiniCPM、以「小而高效」著称那个团队。
前天我刚聊过 MOSS-TTS，今天又来个国产 TTS，你可能会犯困。但 VoxCPM2 的赌注跟别人不一样：它是 tokenizer-free 的。
主流的 TTS 大多先把语音切成一串离散 token，再让模型像写文章一样把 token 一个个吐出来。VoxCPM 偏不——它用扩散 + 自回归直接生成连续的语音表示，跳过了「把声音离散化」这一步。理由很直接：切 token 这步本身有损，会把语气、情绪里那些细微的东西磨掉。2B 参数、200 万小时语料、30 种语言、48kHz 录音棚级输出，底座是 MiniCPM-4。
最好玩的功能叫 Voice Design：不给任何参考音频，你光用一句话描述——「一个慵懒、微微沙哑的年轻女声，语速偏慢」——它就给你造一个出来。想克隆现成的声音也行，给一小段音频就能复刻。Apache-2.0 协议，能商用，HuggingFace 上直接下。
我的判断：别急着把它归到「又一个 TTS」里。VoxCPM 那句「别再把声音切成 token，tokenizer 是有损的」，和昨天我夸 liteparse 时它说的「别再把文档转成 Markdown，转换是有损的」，几乎是同一句话。这周榜单的暗线越来越清楚了：一批项目正在靠砍掉一个大家以为必需、其实有损的预处理中间层赢——liteparse 砍 Markdown，VoxCPM 砍音频 tokenizer，连 RuView 某种意义上也是在砍掉「摄像头」这层、直接读原始电波。与其费劲帮模型把信号嚼碎，不如把更原始的东西直接喂给它，这个方向我越来越信。要找一个能自托管、能商用的多语种 TTS，VoxCPM 是我现在会第一个试的。
写在最后。今天这三个项目，一个在感官层（WiFi 当眼睛）、一个在部署层（断网也能跑）、一个在输出层（凭一句话造声音），看着八竿子打不着，凑一起却恰好说明一件事：AI 这摊事，正在从「云上一个聊天框」往外溢。 往物理世界溢，往离线设备溢，往「少一道预处理」的方向溢。
满屏 agent 框架卷参数的时候，这些往边上跑的项目，反而更值得多看两眼。
