Parlor：本地端到端语音视觉 AI 助手，M3 Pro 即可实时运行

OpenAI 几年前演示的那个指着物体对话的语音 AI，你觉得什么时候能在自己电脑上跑起来？我原本以为还得等几年，或者至少得有一张 RTX 4090。

结果最近在 GitHub 看到一个项目，直接在 MacBook 上就实现了——只要打开浏览器，对着麦克风说话，摄像头拍着画面，AI 实时理解并语音回复。关键是完全跑在本地，不需要云端，不需要 API Key，不需要订阅。

这个项目叫 Parlor，来自印尼开发者 Fikri Karim，9 天冲到 1.5K Star。

一句话说清楚：Parlor 是一个端到端的本地语音视觉 AI 助手，用 Gemma 4 E2B（专门给本地设备做的小模型，语音、图片、文字全能处理）做语音和视觉理解，用 Kokoro 做语音合成，在 Apple Silicon 或 Linux GPU 上实现实时对话。

解决的痛点

它要解决两个很具体的痛点：成本和隐私。

想用 OpenAI 的 GPT-4o Voice Mode？得付 20 美元/月，而且对话数据会上传云端。想用 Siri 或 Google Assistant？免费，但同样要上传数据，而且功能有限。Parlor 的思路是把所有计算搬到本地，没有服务器成本，没有数据泄露风险，没有订阅门槛。

开发者之前做了个叫 bule.ai 的免费英语口语练习平台，已有数百月活用户。他一直在思考怎么保持免费且可持续，答案就是把算力从云端搬到用户设备上。6 个月前作者还要靠 RTX 5090 显卡才能让语音模型实时跑起来，现在一个 M3 Pro 芯片就够了。

核心能力

多模态融合：你一边说话摄像头能同步拍画面，AI 可以同时听懂你的话、看懂你指的东西。比如你指着桌上的水果问"这个怎么吃"，它能结合你说的话和看到的画面直接回答。技术上就是浏览器先把声音和画面录下来，通过 WebSocket 传到本地服务器，再用 Gemma 4 E2B 一起处理。

随时打断：以前用语音助手必须等它把话说完你才能开口，现在用 Parlor 可以随时打断。AI 正在回复的时候，你一说话它立马停住，专心听你讲，对话特别自然。

整句语音合成，边说边播：它会把回复拆成一句一句来生成语音，不用等整段话都做完才开始播放，延迟感明显小很多。跑在苹果 M3 Pro 上，从头到尾的延迟大概 2-3 秒，虽然比云端方案慢一点，但日常用完全没问题。Gemma 4 支持多语言，可以在单次对话中混合使用。

社区反响

Parlor 在 Hacker News 上引发了讨论。有人说"feels like your demo should be a Siri demo"，翻译一下就是这应该是 Siri 的演示。还有人提到一个真实场景：一直在找一个能在车间用的语音助手，戴着口罩手套没法解锁手机，"请先解锁你的 iPhone"在这种时候简直是灾难。这些讨论表明本地语音助手不是花里胡哨的技术，而是大家实际需要的。

安装步骤

运行平台推荐 macOS Apple（M1/M2/M3 芯片）或 Linux GPU，Windows 暂不支持。Python 版本必须用 3.12，3.13 或更高版本会安装失败，这个坑很多人踩过。安装过程还用到 git 和 uv 工具，注意提前安装。

克隆代码：

git clone https://github.com/fikrikarim/parlor.git

进入项目目录：

cd parlor/src

安装依赖：

uv sync

启动服务：

uv run server.py

第一次启动会自动下载模型，需要几分钟，下载完后就可以离线用了。看到终端显示服务启动成功后，打开浏览器访问 http://localhost:8000，授权摄像头和麦克风，就能开始对话了。

已知限制

Parlor 目前是 Research preview，官方说明是 Expect rough edges and bugs。几个已知限制：不支持 agentic coding（E2B 模型不适合代码代理任务）；没有持久化对话历史，会话结束就丢失；不支持工具调用或 Function Calling。延迟方面，2-3 秒的端到端响应比云端方案慢，但对口语练习这类场景够用了。

Parlor 的意义不在于它有多强，而在于它展示了端侧 AI 的可能性。六个月前需要 RTX 5090，现在 M3 Pro 就够，再过一年可能手机就能跑。

项目地址：https://github.com/fikrikarim/parlor