Parlor
设备端实时多模态 AI，1800+ stars。完全本地运行的语音和视觉对话 AI，基于 Apple Silicon MLX + Gemma 4 + Kokoro TTS，无需云端 API，隐私优先的本地 AI 方案
🎯适用场景：本地隐私优先的语音/视觉对话 AI，Apple 设备端 AI 应用
📊 仓库数据
✅ 优点
- •完全本地运行，隐私零泄露风险
- •Apple Silicon MLX 加速，性能优秀
- •无需 API 调用，零成本运行
⚠️ 限制
- •仅限 Apple Silicon 硬件，兼容性有限
- •模型规模受限于设备端资源
🔗 相关工具
OMI
开源⭐ 13k↑+4github.com/BasedHardware/omi
OMI 是开源的随身 AI 硬件——一个 AI 项链，能"看到"你的屏幕、"听到"你的对话，并告诉你该做什么。11.4K+ stars，单周增长 2,896 星。它将多模态 AI 集成到可穿戴设备中，实时分析视觉和音频输入，提供智能建议和提醒。采用 Dart 实现，支持 iOS 和 Android，是 2026 年 "AI 硬件化" 趋势的代表作之一
🎯 多模态内容理解与生成
Runway Gen-4
付费runwayml.com
Runway 的最新视频生成模型，支持多模态输入（文本、图像、视频片段）。提供专业级时间轴控制、视频编辑（风格迁移、对象替换）等高级功能。Web 界面 + API 双模式，是专业视频创作者的首选平台。
🎯 多模态内容理解与生成
Stable Diffusion WebUI
开源⭐ 163k↑+4github.com/AUTOMATIC1111/stable-diffusion-webui
最流行的 Stable Diffusion Web UI，162,491+ stars。提供直观的图形界面，支持文生图、图生图、ControlNet、LoRA 微调、Inpainting 等核心功能，是 AI 图像生成领域的事实标准工具
🎯 大模型微调与训练、多模态内容理解与生成
ComfyUI
开源⭐ 114k↑+54github.com/comfyanonymous/ComfyUI
节点式 Diffusion 模型 GUI，109,363+ stars。基于节点的工作流编排，可视化连接各处理模块，是最强大的图像生成工作流工具，支持 SDXL、Flux、Stable Cascade 等最新模型
🎯 AI 工作流编排与自动化、多模态内容理解与生成
OpenAI Whisper
开源⭐ 100k↑+47github.com/openai/whisper
OpenAI 开源语音识别模型，99.9K+ stars。支持 99 种语言自动语音识别与翻译，可本地部署保护隐私，广泛用于会议转录、字幕生成等场景
🎯 多语言语音转文字、音频转录、本地私有化语音识别
Deep Live Cam
开源⭐ 93k↑+4github.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