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
📥 收录于 2026/5/22
📊 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
OmniVoice Studio
github.com/debpalash/OmniVoice-Studio
开源本地语音克隆与合成桌面应用，4.2K+ stars。ElevenLabs 的开源替代方案——支持本地声音克隆、语音设计、配音和听写，完全离线运行保护隐私，是 AI 语音创作的一站式工具
🎯多模态内容理解与生成
MMX-CLI
github.com/MiniMax-AI/cli
MiniMax 多模态 CLI 工具，Node.js 编写，七大模态命令：text、image、video、speech、music、vision、search，AI Agent 可直接调用生成图像、视频、语音、音乐
🎯语音合成与实时语音交互、多模态内容理解与生成
Real-Time Voice Cloning
github.com/corentinj/real-time-voice-cloning
5 秒语音克隆工具，59,640+ stars。只需 5 秒音频样本即可克隆任意人声，支持实时语音合成，是语音合成和 TTS 领域的里程碑项目
🎯语音合成与实时语音交互
GPT-SoVITS
github.com/RVC-Boss/GPT-SoVITS
1 分钟数据训练 TTS，56,826+ stars。强大的少样本语音克隆和文本转语音工具，仅需 1 分钟参考音频即可训练出高质量 TTS 模型，支持多语言和中日英三语合成
🎯语音合成与实时语音交互
VibeVoice
github.com/microsoft/VibeVoice
微软开源的前沿语音 AI 模型，支持高质量语音合成与声音克隆，适用于多语种 TTS 与语音交互场景
🎯机器人控制、仿真与边缘部署、语音合成与实时语音交互
Voicebox
github.com/jamiepine/voicebox
Voicebox 是开源的语音合成工作室，提供高质量的文本转语音 (TTS) 能力。支持多语言、多音色、情感化语音生成，22,208 stars（周增 5,198 星）。与商业 TTS 服务不同，Voicebox 完全开源可自部署，提供 Web UI 和 API 两种使用方式。支持声音克隆（少量样本即可）、实时流式输出、SSML 标记语言控制韵律和语调，是播客制作、有声书生成、游戏配音和 AI 语音助手的理想选择
🎯播客/有声书自动化、游戏 NPC 配音、AI 语音助手、视频内容配音、无障碍朗读
