企业官网建设流程全解析

MLX-Audio 上手教程：3条命令在 Apple Silicon 本地跑通文本转语音与转写

【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

有一台 Mac，想把三百页的小说变成有声书，或把会议录音转成文字，又不想把音频传给云端服务？MLX-Audio 是基于 Apple MLX 框架构建的文本转语音（TTS）、语音转文本（STT）与语音转语音（STS）库，全部推理都在 M 系列芯片本地完成，一行 pip 命令就能搭起属于你自己的语音 AI 开发环境。

第一次出声：2条命令跑通文本转语音 🎙️

装完后的第一件事，是听出一个声音来。首跑会自动从 HuggingFace 拉模型，第一次稍慢，之后就全在设备内跑：

pip install mlx-audio mlx_audio.tts.generate \ --model mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit \ --text "Hello, world!" \ --voice Vivian \ --play

加了--play，生成的音频直接播放；不加则存成.wav。参数全表可查 docs/getting-started/quickstart-cli.md。这就是你的第一次运行。

反过来也通：语音转文字与音频清洗 🔍

语音不只是"说"，还要能"听"。官方快速上手里推荐的 STT 入口是 Whisper：

from mlx_audio.stt.generate import generate_transcription result = generate_transcription( model="mlx-community/whisper-large-v3-turbo-asr-fp16", audio="audio.wav", ) print(result.text)

result.text就是转写结果。除了纯转写，还有一整套音频"手术"：音源分离、降噪、说话人分离，见 mlx_audio/sts/models/ 里的 SAM-Audio、MossFormer2。用一句文字提示把录音里的人声单独抠出来，它也能做到。

进阶三招：声音克隆、量化与 API 服务 ⚙️

• 声音克隆：丢一段参考音频进去，就能模仿这个音色说话：

mlx_audio.tts.generate \ --model mlx-community/csm-1b \ --text "Hello from Sesame." \ --ref_audio ./reference_voice.wav --play

• 量化：模型可压到 4 位、8 位等多个档位，官方模型列表里大量-8bit、-4bit变体就是为此准备的，内存小的机器优先挑量化版。
• 服务化：mlx_audio.server起一个本地服务，接口与 OpenAI 兼容（/v1/audio/speech、/v1/audio/transcriptions），现有 OpenAI SDK 换个 base_url 就能直接调。

落地实例：批量生成有声书

仓库里的 examples/bible-audiobook/ 是个完整样例：把一本书拆成章节，逐段调 TTS 生成，再统一转成 MP3。思路可以直接抄：长文切段 → 逐段生成 → 合并导出。想做个人有声书或播客片头，照这个流程走就行。

动手前先知道的几个坑

• 只支持 Apple Silicon：M1 到 M4 均可，Python 需 3.10 以上。
• WAV 零依赖，MP3 需要 ffmpeg：报音频格式错误时先查这条。
• Kokoro 要额外装 misaki：英文用pip install misaki，日语、中文分别加[ja]、[zh]后缀。
• Qwen3-TTS 的Base版没有预置音色，想用--voice得选 CustomVoice 版。

一套跑在 Mac 上的本地语音工具链

TTS、STT、STS 加音乐生成，一个库全占了，数据不出机器。想动手的话，先跑第一条mlx_audio.tts.generate听听效果。搞定。

【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