Vision Agents
Stream 开源视觉+语音 Agent 框架，快速构建基于任意模型的视听实时交互 Agent，利用 Stream 边缘网络实现超低延迟。
🎯适用场景：实时视觉理解 Agent、视频分析、语音+视觉多模态交互
📊 仓库数据
📈 Stars 变化 ↑12 小时 +2· 统计区间 7/10 12:08 → 7/11 00:11（12 小时）
✅ 优点
- •同时支持视觉和语音 Agent
- •边缘网络加速，延迟极低
- •可接入任意模型或视频提供商
⚠️ 限制
- •依赖 Stream 边缘网络才能最佳性能
- •项目较新，社区规模较小
🔗 相关工具
LiveKit
github.com/livekit/livekit
端到端实时音视频通信栈，专为连接人类与 AI Agent 设计，支持 WebRTC、语音代理、低延迟实时交互。
🎯AI 语音助手实时通话、视频会议中的 AI 协作、多人语音交互
Deep Live Cam
github.com/hacksider/Deep-Live-Cam
实时人脸替换工具，91,252+ stars。仅需一张照片即可实现实时视频换脸和一键视频 Deepfake，基于 AI 视觉模型实现高精度面部替换。支持摄像头实时预览和离线视频处理，是 AI 换脸领域最受欢迎的开源项目。
🎯多模态内容理解与生成
openpilot
github.com/commaai/openpilot
自动驾驶操作系统，60,671+ stars。comma.ai 开源的高级驾驶辅助系统（ADAS），支持 275+ 款车型的自适应巡航、车道保持等自动驾驶辅助功能
🎯多模态内容理解与生成
FFmpeg
github.com/FFmpeg/FFmpeg
FFmpeg 多媒体处理框架的增强版本，60K+ stars。支持音视频转码、剪辑、滤镜、流媒体等全功能，是视频 AI 处理和多媒体应用的底层基础设施
🎯AI 视频预处理、音视频转码剪辑、多媒体流处理
Face Recognition
github.com/ageitgey/face_recognition
人脸识别 API，56,311+ stars。世界最简单的人脸识别 Python 库，基于 dlib 深度学习模型，提供命令行和编程接口，支持人脸识别、比对、定位等功能
🎯多模态内容理解与生成
FaceSwap
github.com/deepfakes/faceswap
开源 Deepfake 换脸工具，55,193+ stars。基于深度学习的视频换脸工具，支持从图片提取人脸特征并替换到目标视频中，提供训练和推理完整流程
🎯多模态内容理解与生成
