Vision-Agents

Vision-Agents 是一个开源的多模态智能体框架，专注于构建低延迟、实时音视频理解与交互的 AI 代理。它支持语音识别（STT）、语音合成（TTS）、视觉分析（如 YOLO 目标检测）与大语言模型（Gemini/OpenAI/Claude）的协同推理，并依托 Stream 边缘网络实现端到端音频/视频延迟低于 30ms、首帧接入仅约 500ms。提供跨平台 SDK（React、iOS、Android 等）和统一 API 抽象，允许开发者灵活集成自有模型与视频基础设施。适用于实时视频分析类场景，如运动教练、远程康复指导、无人机巡检、游戏互动及工业质检等需要音视频流实时理解与响应的应用。