多模态生成

moonshine

moonshine-ai·C++

超低延迟的语音转文字、意图识别和语音合成工具，用来搭建语音助手和语音交互界面，响应快、适合实时对话场景。

runanywhere-sdks

RunanywhereAI·C++

一套能在手机和边缘设备上本地跑大模型、扩散模型和多模态推理的生产级 SDK，覆盖 Android、iOS、Flutter，省去自己搭推理链路的麻烦。

提供 CTPAPI 兼容接口，让 CTP 程序无缝对接 XTP、TORA、EMT、TWS 等各券商柜台，并附带 7x24 可用的期货、期权、股票模拟交易环境，可替代 Simnow。

免费开源的语音合成引擎，支持俄语、英语、葡萄牙语等多种语言，可在 Android 和 Linux 上离线把文本转成语音。

AdvancedLiterateMachinery

AlibabaResearch·C++

阿里通义实验室 OCR 团队维护的文档智能算法集合，涵盖端到端 OCR、文档理解与多模态文档分析，帮开发者处理复杂文档识别任务。

在手机等移动设备上高效运行多模态大模型的 C++ 推理引擎，让视觉语言模型能在端侧低资源环境下完成推理。

wunjo.wladradchenko.ru

wladradchenko·C++

本地免费运行的一站式 AI 视频与图像编辑工具，集换脸、口型同步、抠图去物、风格重绘、人声分离与克隆、视频生成于一体。

MOSS-VL

OpenMOSS·C++

开源 11B 参数的多模态视觉语言模型，专攻长视频和实时流式视频理解，可用于视频问答等场景。

X-VLA 是 ICLR 2026 论文的官方实现，用软提示 Transformer 构建可扩展的跨具身视觉-语言-动作模型，让同一套策略能迁移到不同机器人本体上做操作任务。