# 多模态
63 个相关产品 · 中文解读 · 按热度排序
截至 2026-10-27,KanonAgent 库内有 63 个带「多模态」标签的 AI agent 与工具,本页按真实热度排序。标签由中文拆解自动归纳,不是人工打的;数据可经公开 API 复核。
CreativeClaw
一个集成多模态AI能力的创意工作室平台，将Claude等顶级AI模型统一接入，支持图像、视频、音频、3D内容生成，一键启动创作流程。
MiniMax H3
一个开源的多模态 AI 模型，能生成带立体声的 2K 视频，支持文本、图像、音频输入，擅长精准文字渲染与复杂指令执行。
MiMo-V2.6
MiMo-V2.6 是小米推出的开放多模态大模型家族，支持长上下文（1M token）的文本、图像、音频、视频理解，适用于长期任务型 AI 代理。
tencent/UI-Mate-27B · Hugging Face
基于腾讯自研大模型的多模态AI助手，支持图文理解与生成，面向开发者和企业用户解决跨模态内容处理难题
TulexAI
面向创作者、开发者和团队的AI一体化平台，支持文本、图像、音频、视频等多种内容生成，一站式解决多模态内容创作需求。
FLUX 3
黑森林实验室推出的下一代多模态 AI 模型，支持图像、视频和音频的跨模态理解与生成，推动 AI 向视觉智能迈进。
QuestStudio
QuestStudio 是一个整合规划、多模态生成与迭代优化的 AI 内容工作流平台，支持从构思到图像、视频、语音、音乐的全流程创作，适合创意团队快速产出原型。
AskSary - BYOK-supported AI Studio
一个支持自定义AI模型的全栈AI工作室，整合聊天、编程、游戏开发、媒体生成、演示文稿与编辑，支持BYOK（自带密钥）。
FLUX 3 Action
基于 Gemini 3.8 Flash 的文本转语音工具，支持自然语言描述定制语音风格，可生成带情感、语调和方言的长音频或双人对话。
FLUX 3 Video
FLUX 3 是下一代多模态 AI 模型，能用单一基础模型生成视频、图像和同步音频，打破传统多模型流水线限制。
DeepSeek V4 Flash 0731 with MoonViT Vision (NVFP4)
DeepSeek V4 Flash 0731 with MoonViT Vision 是一个融合了视觉理解能力的多模态大模型版本，支持图像与文本联合推理，适用于需要视觉输入的 AI
Minnarone – Multimodal agents that watch, listen, and react live
多模态 AI 代理，能实时观看、聆听并响应环境变化，适用于监控、交互式演示等实时场景。
ModelOrbit AI
一个AI创意工作台，支持在统一画布上处理图像、视频和音频，可跨格式复用AI工作流，避免在不同工具间反复导出。
LLM Council: survival-of-the-fittest multi-modal deliberation
一个支持多模态内容辩论的 LLM 协作框架，通过「适者生存」机制让多个 AI 模型在多轮对话中互相挑战、优化判断，提升复杂问题的推理质量，面向 AI 研究与高阶推理场景。
Oimi AI Studio
Oimi AI Studio 是一个基于浏览器的 AI 创作无限画布，整合图像、视频、音乐生成于同一界面，支持从一张参考图出发生成多模态内容，打破传统工具割裂体验。
Fast Ollama like router that gives a text-only model eyes and ears
一个类 Ollama 的快速路由工具，为纯文本模型接入视觉与听觉能力，让模型能处理图像和音频输入，适用于需要多模态交互的 AI 应用开发者
Space Bunny
Space Bunny 是一个支持多模态输入（文本、图像、视频）的长上下文 AI 实验平台，提供兼容 OpenAI 的 API，适合开发者测试和构建复杂推理应用。
ImagineLab Art
一个一站式AI创意平台，支持图像、视频、语音、音乐、文本等多模态内容生成，适合创作者、营销人员和企业快速产出多样化创意素材。
genvi
一站式 AI 多模态创作平台，支持图像、视频、音乐、语音、3D 的文本生成与节点式工作流编排，可在浏览器内完成全流程创作并导出 MP4
OREN 1
全球首个基于确定性逻辑的 AGI 模型，不依赖 LLM 路由，支持文本、图像、视频、3D、物理与机器人等多模态输入，零训练、无幻觉，具备超长上下文（250万+ token）。
Jruva
多模型协同的AI助手，支持实时网络搜索、代码执行、图像生成和深度推理，可灵活调度不同AI能力完成复杂任务
Saitama
一个能用视觉、语音和文字多模态讲解的AI导师，像真人老师一样帮助用户理解任何问题，适合需要个性化学习体验的学生或自学者。
Syntheric
AI推理引擎，可并行调用多个模型对同一问题进行独立分析，支持文档、代码、图像、网站等多模态输入，输出多模型推理结果与对比。
Lance – image/video generation and understanding in one model
Lance 是一个统一模型，能同时完成图像与视频的生成与理解，实现跨模态内容创作与分析，适用于 AI 创作与多媒体应用。
Muse Spark 1.1 by Meta AI
Meta AI推出的多模态推理模型Muse Spark 1.1，专为自主代理任务设计，支持跨模态理解与复杂决策
Harkixsha AI
一款安卓端全能AI应用，支持聊天、图像生成、文档处理和幻灯片制作，一站式AI生产力工具
MCP server
一个支持图像、视频和音乐生成的 MCP 服务器，作为多模态生成服务的后端基础设施，适合开发者构建 AI 创作应用
Khan AI
一站式AI内容创作工作室，集成文本、图像、视频生成与编辑，适合内容创作者与营销团队，亮点是多模态AI协同工作流
FynixoAI
FynixoAI 是一个集成了多种 AI 功能的一体化工具平台，涵盖写作、编程、设计等场景，适合多任务创作者。
OpenSenseNova/SenseNova-U1
SenseNova-U1：源自第一性原理的统一AI范式框架，支持多模态与通用智能构建，面向AI研究者与系统开发者。
Corino AI
Corino AI 是一个全能型 AI 平台，集成聊天、代码生成、搜索、图像生成与实际工作流，支持多任务协同。
Minnarone – Multimodal agents that watch, listen, and react live
多模态智能体系统，能实时观看、倾听并响应环境变化，适用于自动化监控与交互场景
askLory
支持上传PDF、文本、图片、音频、视频的AI问答工具，用户可对多模态内容提问并获取解析。
AI Pro – All AI Tools
整合多种AI工具的统一平台，支持聊天、内容生成与数据分析，一站式AI工作流体验
DeepSeek V4 Flash 0731 with MoonViT Vision (NVFP4)
DeepSeek V4 Flash 0731 搭载 MoonViT 视觉模型，是高性能多模态大模型，支持文本与图像联合推理，适用于需要视觉理解能力的 AI 应用开发。
ALX AI Studio
ALX AI Studio 是集AI视频、图像、语音生成与编辑于一体的全能创作平台，一站式满足多模态内容生产需求。
jordanrendric/claude-video-vision
为 Claude AI 扩展视频理解能力的插件，支持帧提取与多模态音频分析，让 AI 能真正“看懂”视频内容。
Philadelphia AI
Philadelphia AI 是一个统一 API 平台，支持聊天、图像生成、视频、音乐和网站创建，一站式满足多模态 AI 创作需求
llm-real-video Pro
让大语言模型能“看见”摄像头画面的开发者工具，实现视觉与语言的多模态交互。
I built an MCP that gives DeepSeek V4 Flash eyes (bad ones)
一个为 DeepSeek V4 Flash 模型添加视觉能力的 MCP（模型控制协议）项目，通过模拟‘糟糕的视觉’实现趣味性AI交互，适合开发者探索多模态AI的边界与创意表达
AdmitPlus.AI
AdmitPlus.AI 是围绕用户构建的多模态 AI 学习团队，整合内容生成、答疑、规划等功能，提供一站式留学申请辅导。
tencent/UI-Mate-27B · Hugging Face
腾讯推出的270亿参数多模态大模型UI-Mate-27B，专为UI设计与生成任务优化，支持从文本描述生成界面原型，适合设计师与前端开发者快速构建UI，具备高精度与多语言支持；
DeepSee
DeepSee 让 DeepSeek 模型具备视觉理解能力，并智能路由不同模型处理任务，提升 AI 应用的多模态与效率表现。
Froging AI – image and video models in one workflow
Froging AI 是一个将图像与视频模型整合到统一工作流中的工具，适合AI开发者和内容创作者，支持端到端的多模态内容生成与处理。
MiniMax H3 – Turn text and images into AI video clips
MiniMax H3 可将文本和图像快速生成 AI 视频片段，面向内容创作者和营销团队，支持多模态视频自动化生产
Speakly - Translate
Speakly 是一款支持语音、文本、图片和对话实时翻译的生产力工具，适合跨国沟通场景的个人与团队，亮点是多模态翻译与流畅交互
ModelOrbit AI
ModelOrbit AI 是一款设计工具，支持图像、视频、音频在同一画布上创作与复用工作流，让创意人员高效构建多模态内容。
ai4tools
一站式AI平台，支持写作、图片生成、代码编写和翻译，适合内容创作者、开发者和多任务工作者，统一界面提升效率
krillinai/OpenCreator
一个由 Codex 驱动的开源 AI 创作者工作台，支持视频、图像、语音、虚拟形象、翻译与编辑等多模态内容生成，一站式满足创作者需求。
Gory Ai
Gory Ai 是一个多模型 AI 工具，支持聊天与图像生成，可同时处理文本与视觉内容创作。
ai4tools
一站式AI平台，集成写作、图像生成、代码生成与翻译功能，适合内容创作者与多任务工作者。
LLM Council: survival-of-the-fittest multi-modal deliberation
一个基于多模态大模型的辩论系统，通过‘适者生存’机制让多个AI模型相互辩论、筛选最优答案，提升推理质量。
Multimodal Agents by Sierra
支持语音、文字、视觉多模态切换的AI客服代理，提升客户交互体验与服务效率
Seenan
Seenan：集成50+ AI模型的创意设计平台，支持图像、视频、角色、音频等多模态内容生成，适合设计师与内容创作者。
MaxAPI
MaxAPI 是一个统一的 API 接口，可一键调用图像、视频和语言模型，适合开发者快速集成多模态 AI 能力，无需管理多个模型服务
Euphronios
Euphronios 是一个集图像、视频、语音、3D设计于一体的AI创作工作室，面向内容创作者与设计师，支持多模态内容生成与编辑，亮点是统一界面下融合多种媒体处理能力。
NexAI: AI Chat, Voice & Video
NexAI 是一款 Android 平台的全能型生成式 AI 助手，集成聊天、语音与视频交互，支持多模态 AI 交互体验。
Gemini Omni
Gemini Omni 支持从文本、图像、视频甚至音频生成高质量 AI 视频，是多模态内容创作的新范式。
Lightdrift / Image search for AI agents through API and MCP
通过 API 和 MCP 协议实现图像搜索，让 AI 代理能基于视觉内容检索信息，提升多模态理解能力。
Claude Imagine
在Claude AI中直接生成图像和视频内容，打通大模型与视觉创作的边界，让AI创作更无缝集成，适合内容创作者和设计师。
Gleam0o0
支持文本、语音、图像、视频多模态交互的 AI 角色聊天应用，用户可与虚构或定制 AI 人格进行沉浸式对话，适合娱乐与情感陪伴。
SundaeDB – Multimodal Analytics for Agents
SundaeDB 是面向智能体（Agents）的多模态数据分析平台，支持文本、图像、时间序列等多源数据融合分析，帮助 AI 代理更智能地理解与决策。
SeedRouter
SeedRouter 是一个统一 API 接口，整合 LLM、图像、视频、音频等多种 AI 模型，开发者通过一个接口即可调用全栈 AI 能力，简化多模态应用开发。
其他标签
常见问题
「多模态」这个标签是怎么归的?
标签来自每个产品的中文拆解(解决什么场景、面向谁),由模型从产品自述里归纳,不是人工逐条打的,也不接受付费打标。
这里的排序依据是什么?
按库内真实热度:投票数 / MRR / 增速,取产品实际有的那个。不是编辑推荐,也不卖位置。
数据多久更新?
追踪持续进行(分钟级),本页于 2026-10-27 生成。全部数字可经公开只读 API 复核:https://kanonagent.com/data