在 Mac 上本地跑通语音合成与识别:MLX-Audio 完整实操教程
在 Mac 上本地跑通语音合成与识别MLX-Audio 完整实操教程【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-audioMLX-Audio 是一个基于 Apple MLX 框架的本地语音库运行在 M 系列芯片M1/M2/M3/M4的 Mac 上同时覆盖文本转语音TTS、语音转文字STT、语音克隆和音乐生成适合想在设备端做语音应用或自动化的开发者。装好两样东西再跑第一条语音MLX-Audio 需要 Python 3.10 和 MLX 框架后者随 pip 自动安装。如果你的 Mac 是 Apple Silicon基础安装就一行pip install mlx-audio要使用 Web 界面或 API 服务需要带server依赖组从源码安装git clone https://gitcode.com/GitHub_Trending/ml/mlx-audio cd mlx-audio pip install -e .[dev, server]另外保存 MP3、FLAC、OGG 等格式依赖系统里的 ffmpeg提前装好brew install ffmpegWAV 格式不依赖 ffmpeg可以直接生成。一条命令听到第一句合成音 装好之后在终端执行mlx_audio.tts.generate \ --model mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit \ --text Hello, world! \ --voice Vivian \ --play--play让系统直接播放不用翻找文件。--voice指定 Qwen3-TTS 自带的预设音色Vivian和Ryan都可以用。想加快语速加--speed默认 1.0mlx_audio.tts.generate \ --model mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit \ --text 这句话会说得更快一些 \ --voice Vivian \ --speed 1.4一段文字如果生成多个片段默认存为audio_000.wav、audio_001.wav这样的编号文件加--join_audio可以合成一个文件。嵌进自己的 Python 代码from mlx_audio.tts.utils import load_model model load_model(mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit) for result in model.generate( 你好这是本地语音合成。, voiceVivian, lang_codeChinese, ): print(f生成了 {result.audio.shape[0]} 个采样点)result.audio是mx.array波形数据可以直接写盘或送进播放器。换模型、换音色、克隆声音 ️MLX-Audio 内置二十多种 TTS 模型换模型只需改--model。Kokoro-82M是其中比较经典的一款支持英、日、中、法、西、意、葡、印地八种语言自带 54 个预设音色。它需要额外安装文本分词工具pip install misaki # 日文pip install misaki[ja] # 中文pip install misaki[zh]mlx_audio.tts.generate \ --model mlx-community/Kokoro-82M-bf16 \ --text 欢迎使用 MLX-Audio \ --voice af_heart \ --lang_code alang_code是单字母代码a美式英语、b英式英语、j日语、z普通话。完整模型列表和语言支持见 docs/models/tts。用一段参考音频克隆音色不需要录音棚几秒的参考音频就够了。CSM 模型支持 zero-shot 语音克隆mlx_audio.tts.generate \ --model mlx-community/csm-1b \ --text 你好来自 Sesame。 \ --ref_audio ./reference_voice.wav \ --play--ref_audio指向参考音频文件模型提取音色特征后让新文本用同样的声音读出来。反向也跑通语音转文字STT 的命令行入口和 TTS 对称用 Whisper 转写一段录音python -m mlx_audio.stt.generate \ --model mlx-community/whisper-large-v3-turbo-asr-fp16 \ --audio audio.wav \ --format json \ --verboseWhisper 支持 99 种以上语言如果只需要英文且追求速度可以换 Parakeetmlx-community/parakeet-tdt-0.6b-v3覆盖 25 种欧洲语言。Python 里调用同样简短from mlx_audio.stt.generate import generate_transcription result generate_transcription( modelmlx-community/whisper-large-v3-turbo-asr-fp16, audioaudio.wav, ) print(result.text)打开网页版工作台MLX-Audio 自带 FastAPI 后端和 Next.js 前端两个终端分别启动# 终端 1API 服务 mlx_audio.server --host 0.0.0.0 --port 8000 # 终端 2Web 界面 cd mlx_audio/ui npm install npm run dev界面跑在http://localhost:3000API 在http://localhost:8000。界面提供 TTS 生成可选音色和模型、STT 上传转写、3D 音频可视化等功能。API 是 OpenAI 兼容格式已有的 OpenAI 客户端代码只需改base_urlfrom openai import OpenAI client OpenAI( base_urlhttp://localhost:8000/v1, api_keynot-needed, ) response client.audio.speech.create( modelmlx-community/Kokoro-82M-bf16, voiceaf_heart, inputHello from the OpenAI client!, ) response.stream_to_file(output.mp3)量化让大模型跑得更省 降低权重位宽能直接缩小模型体积。4-bit 模型大约是 fp16 的 1/4 大小在 Apple Silicon 的统一内存架构下推理也会更快。量化入口是mlx_audio.convertpython -m mlx_audio.convert \ --hf-path prince-canuma/Kokoro-82M \ --mlx-path ./Kokoro-82M-4bit \ --quantize \ --q-bits 4常用位宽选择4-bit体积和质量的平衡点日常使用推荐6-bit接近无损适合对音质敏感的场景8-bit几乎无质量损失体积约为 fp16 的一半量化模式affine/mxfp4/mxfp8/nvfp4和分组大小等完整选项见 docs/guides/quantization.md。移动端如果目标是 iPhone 或 iPad项目提供了独立的 Swift 包mlx-audio-swift支持 macOS 14.0 和 iOS 16.0可以在设备端直接做 TTS不需要联网。接下来做什么跑一遍examples/里的演示脚本比如examples/streaming_transcription.py展示了流式转写的完整流程打开 docs/getting-started/quickstart-cli.md对照参数表把 TTS 和 STT 的 CLI 选项全部过一遍如果要接入自己的业务下一步建议先跑通mlx_audio.server再用 OpenAI 客户端把 TTS/STT 请求对接到现有代码里【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

Animeko 代码风格与协作规范实践:EditorConfig 格式化、Kotlin 官方风格与 PR Review 惯例

Animeko 代码风格与协作规范实践:EditorConfig 格式化、Kotlin 官方风格与 PR Review 惯例

音视频移动开发视频 【免费下载链接】animation-garden 集找番、追番、看番的一站式弹幕追番平台,云收藏同步 (Bangumi),离线缓存,BitTorrent,弹幕云过滤。100% Kotlin/Compose Multiplatform 项目地址: https://gitco…

2026/11/18 7:42:50 阅读更多 →
RPCS3 2025 版:从源码到跑通 PS3 游戏,30 分钟手把手配置指南

RPCS3 2025 版:从源码到跑通 PS3 游戏,30 分钟手把手配置指南

RPCS3 2025 版:从源码到跑通 PS3 游戏,30 分钟手把手配置指南 【免费下载链接】rpcs3 PlayStation 3 emulator and debugger 项目地址: https://gitcode.com/GitHub_Trending/rp/rpcs3 RPCS3 是一款免费的 PlayStation 3 模拟器,能把你…

2026/11/18 7:42:50 阅读更多 →
深入解析Spring IOC容器与依赖注入原理

深入解析Spring IOC容器与依赖注入原理

1. 理解Spring IOC的本质第一次接触Spring框架时,我被IOC这个概念困扰了很久。直到有一天,我把IOC容器想象成一个"智能管家",才真正理解了它的价值。想象一下:传统开发中,我们需要自己买菜、做饭、洗碗&…

2026/11/16 15:20:21 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…

2026/11/17 8:22:52 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…

2026/11/17 12:46:04 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&…

2026/11/17 12:46:04 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…

2026/11/17 11:26:33 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&…

2026/11/17 12:46:05 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…

2026/11/17 12:46:05 阅读更多 →

日新闻

周新闻

月新闻