企业官网建设流程全解析

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 Apple's 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：

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 Silicon（M1–M4），Python 3.10+；iOS/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stream=True：

from mlx_audio.stt.utils import load model = load("mlx-community/Voxtral-Mini-4B-Realtime-2602-4bit") for chunk in model.generate("audio.wav", stream=True): print(chunk, end="", flush=True)

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affine（2/3/4/6/8 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.audio（mx.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 Apple's MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audio