Parlor是一款本地运行的多模态AI工具，支持语音和视觉实时交互，无需联网。它使用Gemma 4 E2B处理语音图像输入，Kokoro进行语音合成，完全在用户设备端运行。开发者正探索如何通过本地运算降低成本，使英语学习等应用可持续免费。目前虽为实验性产品，但展示了未来手机端本地多语言AI交互的潜力。

【产品简介】
Parlor是一款本地化多模态AI对话工具，支持实时语音交互与视觉识别，所有计算均在用户设备端完成。其核心技术采用Google Gemma 4 E2B模型处理语音/图像输入，配合Kokoro文本转语音系统，形成完整的端到端交互闭环。

【核心特点】
1. 全本地化运行
- 消除服务器成本，支持macOS（Apple Silicon）和Linux系统
- 模型首次运行时自动下载（约2.6GB）
- 最低要求：Python 3.12+、3GB空闲内存

2. 交互创新

• 免提对话：基于Silero VAD实现声控唤醒
• 实时打断：可随时中断AI响应
• 流式语音：文本生成同时即开始语音播报

3. 性能表现

• Apple M3 Pro实测：端到端响应2.5-3秒（含1.8-2.2秒视觉语音解析+0.3秒文本生成+0.7秒语音合成）
• 解码速度：GPU加速下83 token/秒

【技术架构】
mermaid 浏览器(mic+camera) → WebSocket传输 → FastAPI服务器 → Gemma 4(视觉语音理解) → Kokoro TTS(语音合成) → 流式音频返回

【应用场景】
- 语言学习：支持多语种自由切换，未来有望实现手机端物体识别对话
- 研究预览版：当前为早期实验版本，可能存在性能不稳定情况

【开源信息】
- 许可证：Apache 2.0
- 致谢：Google DeepMind、Hexgrad等机构的技术支持

（注：原文中MP4演示文件链接、具体安装命令等非核心细节已简化，完整项目结构参见GitHub仓库）

这篇评论主要围绕一个语音助手项目的展示展开讨论，观点可分为三类：

1. 对项目的赞赏与实用价值认可

• "Solid work and great showcase... feels like your demo should be a Siri demo"（dvt）
• "Amazing, love your work"（k-almuraee）

2. 对语音助手应用场景的期待

• 驾驶场景："I can talk while I am driving... works great for querying any information"（zerop）
• 工作场景："help me with simple tasks: timers, calculating, digging up notes"（jwr）

3. 技术实现建议与改进需求

• 易用性改进："MacOS native app... doesn't require running terminal commands"（divan）
• 模型选择："Gemma 4 is kinda too heavyweight... sticking with qwen 0.8B"（est）

核心矛盾点在于现有技术与用户需求之间的差距，如jwr指出的："we have the technology, but the supposedly 'tech' companies are the gatekeepers"。多位用户提到需要解决iPhone解锁等实际使用障碍。