MiniCPM-o

MiniCPM-o 是一款面向端侧设备的轻量化多模态大语言模型（MLLM），支持图像、视频、文本与音频的联合输入，并可实时生成文本与语音输出。其核心特性包括全双工多模态流式处理能力，实现视觉、听觉与语音输出的并行交互；具备高精度OCR、多语言支持、语音克隆及主动提醒等能力；依托 llama.cpp-omni 框架与 WebRTC 实现本地化高效部署。适用于智能手机等资源受限设备上的实时多模态人机交互场景，如智能助手、无障碍交互、现场翻译与音视频实时分析等。