Parlor parlor

项目简介

On-device, real-time multimodal AI. Have natural voice and vision conversations with an AI that runs entirely on your ma

---

Parlor 是一个完全运行在本地设备上的实时多模态AI助手，让你能够与AI进行自然的语音和视觉对话，所有处理都在你的机器上完成，无需依赖云端服务器。它利用Google DeepMind的Gemma 4 E2B模型来理解语音和视觉输入，结合Kokoro文本转语音引擎实现语音回复。你只需对着麦克风说话、展示摄像头画面，AI就能实时回应，整个过程完全离线运行。

标签

apple-silicon gemma kokoro litert-lm local-llm

项目特点

**完全本地运行**：所有 AI 模型和数据处理都在用户设备上执行，无需联网，保护隐私且零服务器成本。

**实时多模态交互**：支持语音和视觉输入，用户可以通过麦克风和摄像头与 AI 进行自然对话。

**免提语音激活**：使用 Silero VAD 在浏览器中进行语音活动检测，无需按键即可开始对话。

**打断功能**：用户可以在 AI 说话时随时打断并开始新的对话。

**流式 TTS**：采用句子级别的文本转语音流式传输，在完整响应生成前即可开始播放音频。

**跨平台支持**：支持 macOS (Apple Silicon) 和 Linux (支持 GPU) 系统。

技术规格

核心模型
TTS 模型
语音检测
后端框架
运行环境
硬件要求
内存需求
模型大小
端到端延迟
解码速度

项目资源

fikrikarim/parlor ai.google.dev/gemma google-ai-edge/LiteRT-LM hexgrad/Kokoro-82M snakers4/silero-vad www.fikrikarim.com/bule-ai-initial-release

搜索资源

B站 YouTube Google GitHub 知乎 Hackster Hackaday Printables Instructables

物料清单 (BOM)

物料名称	数量	参考价格	备注
Python 3.12+	1	—	运行环境
uv 包管理器	1	—	依赖管理
带麦克风的电脑	1	—	用于语音输入
摄像头	1	—	用于视觉输入
扬声器或耳机	1	—	用于音频输出
Gemma 4 E2B	1	—	自动下载 (~2.6 GB)
Kokoro-82M	1	—	自动下载

所需工具

工具	用途	是否必需
现代浏览器	运行前端 UI (支持 WebSocket)	✅ 是
Python 3.12+	运行后端服务器	✅ 是
uv 包管理器	安装 Python 依赖	✅ 是
Git	克隆项目仓库	✅ 是
麦克风	语音输入	✅ 是
摄像头	视觉输入	▢ 推荐
扬声器/耳机	音频输出	✅ 是

能力画像

记忆与知识检索

1/5

逻辑推演

1/5

表达与交流

1/5

感知与观察

1/5

数理与计算

2/5

动手与操作

2/5

狂热与坚持

1/5

创造与创新

1/5

项目图库

所需技能

🔧 **动手能力**：基本的命令行操作，能够克隆仓库、安装依赖和运行脚本。 💻 **编程能力**：了解 Python 和 WebSocket 概念，能够阅读和修改服务器代码。 ⚡ **电子电路**：无需硬件电路知识。

适用场景

**语言学习**：用户可以通过与 AI 进行自然对话来练习外语口语，AI 能理解并回应。

**本地 AI 助手**：作为完全离线的个人 AI 助手，处理日常问答、信息查询等任务。

**视觉辅助**：通过摄像头识别物体，并与之进行语音讨论，适合教育或辅助场景。

**隐私敏感应用**：需要 AI 能力但不愿将数据上传到云端的场景。