MLX-Audio 实战:M 芯片上跑通本地语音合成与转写的最短路径
MLX-Audio 实战M 芯片上跑通本地语音合成与转写的最短路径【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audio给 macOS 应用加语音功能却不想依赖云端 TTS API每次调用都要走外网费用按字数计长文本批量生成又慢又贵。反过来两小时的会议录音属于敏感数据也不方便直接丢给在线转写接口。MLX-Audio 是构建在 Apple MLX 框架上的语音 AI 库文本转语音、语音转文本、语音转语音都直接在 M1–M4 芯片上本地运行。从 pip 安装到第一条声音30 秒安装只要一行CLI 自带--play开关生成完直接出声不用管文件路径pip install mlx-audio mlx_audio.tts.generate \ --model mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit \ --text 你好这是本地运行的 MLX-Audio \ --voice Vivian --play--voice只对带预设音色的模型生效如上例的 Qwen3-TTS CustomVoice 版Base 版没有预设音色需要传参考音频或用 csm-1b 这类克隆模型。模型首次运行会从模型仓库自动下载CLI 与 Python 共用同一份缓存。完整参数见 CLI 快速上手文档。模型能力地图TTS、STT、STS 各选谁仓库内置 20 多个 TTS 模型、20 个 STT 模型和 7 个 STS 模型不必全懂先看这张表能力代表模型语言覆盖备注文本转语音 TTSKokoro-82M、Qwen3-TTS、Higgs Audio v3、OmniVoice、CSM、Chatterbox、Voxtral TTS、VoxCPM2英、中、日、韩及 20 余种欧洲语言OmniVoice 覆盖 600语速调节、音色预设、零样本声音克隆语音转文本 STTWhisper、Parakeet、Qwen3-ASR、VibeVoice-ASR、Voxtral Realtime99 种Whisper、25 种欧洲语言Parakeet v3流式转写、热词、说话人标签语音转语音 STSSAM-Audio、DialogueSidon、MossFormer2、DeepFilterNet、NemotronLabs VoiceChat与语言无关音源分离、降噪、实时语音对话语音活动检测 VADSilero VAD、Sortformer与语言无关流式端点检测、说话人分离音乐生成MiniMax Music 3多语言歌词44.1 kHz 立体声输出输出格式方面WAV 开箱即用MP3/FLAC/OGG/Opus 依赖系统里的 ffmpeg。平台限定 Apple SiliconM1–M4Python 3.10iOS/macOS 端另有 mlx-audio-swift Swift 包可做端上集成。深挖一用 transcription_delay_ms 做流式转写会议字幕、语音助手这类场景等不了整段结果。MLX-Audio 的 STT 侧有三类支持流式的模型Voxtral Realtime 面向低延迟Nemotron 3.5 ASR 走 cache-aware 流式VibeVoice-ASR 用 chunk 切分处理长音频。用法统一给generate()传streamTruefrom mlx_audio.stt.utils import load model load(mlx-community/Voxtral-Mini-4B-Realtime-2602-4bit) for chunk in model.generate(audio.wav, streamTrue): print(chunk, end, flushTrue)Voxtral Realtime 还有一个transcription_delay_ms参数直接权衡延迟与准确率值越低越快但错误率更高默认约 240ms。做实时字幕的话先调这个值。仓库的examples/streaming_transcription.py是完整的流式 demo跑一遍就能看到效果。深挖二4-bit 量化让内存占用降到四分之一7B 参数的模型以 bfloat16 加载要吃掉约 17GB 内存README 以 KugelAudio 为例低配 MacBook 直接装不下。MLX-Audio 自带量化转换工具转完之后load_model就能直接加载 4bit 版本python -m mlx_audio.convert --hf-path HF 仓库 --mlx-path 输出目录 --quantize --q-bits 4支持affine2/3/4/6/8 bit、mxfp4、mxfp8、nvfp4等模式。TTS 场景下 8bit 与 bf16 的听感差异基本不可闻上文示例里的 0.6B 模型就是现成的 8bit 版低内存机器建议直接从这类量化版起步。接入路径CLI、Python 包与 OpenAI 兼容 API命令行mlx_audio.tts.generate合成和python -m mlx_audio.stt.generate转写上文示例就是完整形态。Python 集成只需一行from mlx_audio.tts.utils import load_model波形以result.audiomx.array返回自行落盘或交给播放器都行。要给前端或其他设备提供服务启动 API 服务器mlx_audio.server --host 0.0.0.0 --port 8000。最常用的两个端点POST /v1/audio/speech做文本转语音请求格式与 OpenAI 兼容现有 SDK 客户端改一下 base_url 就能接上POST /v1/audio/transcriptions做语音转文本。Web UI 需要先克隆仓库git clone https://gitcode.com/GitHub_Trending/ml/mlx-audio用pip install -e .[dev, server]装依赖再到mlx_audio/ui/目录执行npm install npm run dev即可看到带 3D 音频可视化的界面。examples/bible-audiobook/里还有一个批量生成有声书的例子展示了长文本切分后批量调用 Kokoro 的流程。踩坑与调优ffmpeg、内存、音色预设保存 MP3 报错→ 系统缺 ffmpeg。WAV 不依赖它但 MP3/FLAC/OGG/Opus 都要。解法brew install ffmpeg。模型加载 OOM 或明显偏慢→ bf16 大模型超出内存。换成-8bit/-4bit后缀的版本或改用更小的模型Kokoro-82M 只有几百 MB日常音色足够快。Kokoro 生成中文或日文报缺文本处理器→ 缺 misaki 依赖。解法pip install misaki中文还需misaki[zh]。一句话带走记住这几点就够了pip install mlx-audio一行搞定安装模型首次运行从仓库下载CLI 与 Python 共用缓存。选型轻量音色用 Kokoro-82M中英混排用 Qwen3-TTS CustomVoice声音克隆用 csm-1b高准确率转写用 Parakeet v3 或 Whisper实时字幕用 Voxtral Realtime。低内存机器从 8bit/4bit 量化版起步听感几乎无损内存占用降为四分之一。API 服务器是 OpenAI 兼容的现有客户端改 base_url 即可不用重写对接代码。【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audio创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关新闻

QuickRecorder macOS 录屏工具上手指南:原生录系统声音的 5 种录制模式怎么设置

QuickRecorder macOS 录屏工具上手指南:原生录系统声音的 5 种录制模式怎么设置

QuickRecorder macOS 录屏工具上手指南:原生录系统声音的 5 种录制模式怎么设置 【免费下载链接】QuickRecorder A lightweight screen recorder based on ScreenCapture Kit for macOS / 基于 ScreenCapture Kit 的轻量化多功能 macOS 录屏工具 项目地址: https:…

2026/11/21 1:05:11 阅读更多 →
notepad-- 文本编辑器上手指南:从拿到代码到批量替换只要 4 步

notepad-- 文本编辑器上手指南:从拿到代码到批量替换只要 4 步

notepad-- 文本编辑器上手指南:从拿到代码到批量替换只要 4 步 【免费下载链接】notepad-- 一个支持windows/linux/mac的文本编辑器,目标是做中国人自己的编辑器,来自中国。 项目地址: https://gitcode.com/GitHub_Trending/no/notepad-- …

2026/11/21 1:05:11 阅读更多 →
IE浏览器下载正路与Edge IE模式兼容指南

IE浏览器下载正路与Edge IE模式兼容指南

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/19 2:15:43 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/20 23:27:28 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/20 23:27:28 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/20 23:27:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/20 21:55:32 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/20 23:27:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/20 22:59:12 阅读更多 →

日新闻

周新闻

月新闻