MLX-Audio 实战：2 条命令跑通 Mac 上的本地语音合成

MLX-Audio 实战：2 条命令跑通 Mac 上的本地语音合成

【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

想在 Mac 上跑文本转语音或语音识别，通常只有两个不理想的选项：云 API 按量计费、音频要离开本机；CUDA-only 的本地开源模型在 Apple Silicon 上又跑不起来。MLX-Audio 把主流语音模型搬到 MLX 上，文本转语音、语音识别、语音转换都能在 M 系芯片上本地运行，不依赖 NVIDIA 显卡。

为什么在 Apple Silicon 上本地跑语音模型

它的差异不在模型本身，而在运行时。Whisper large-v3-turbo 覆盖 99+ 语言，转写可以直接在本机完成；Kokoro 只有 82M 参数、54 个预置音色、8 种语言，8GB 统一内存的老 M1 也能从容加载。更实际的好处是量化：支持 3、4、6、8 bit 以及 mxfp4，4bit 体积约为 fp16 的 1/4。比如 7B 的 KugelAudio 在 bf16 下需要约 17GB 内存，换成低精度 checkpoint 占用直接减半——M 系机器统一内存紧张，这决定了大模型能不能跑得动。

2 条命令拿到第一段音频

安装是一行命令，按能力装 extra，只装 tts 不会拉进 STT 依赖：

pip install "mlx-audio[tts]"

然后生成第一段语音。这个例子用的是 8bit 量化的 0.6B Qwen3-TTS，模型首次运行会自动下载，生成的 wav 落在当前目录：

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

加--play可以直接听。Python 侧同样轻量：mlx_audio.tts.utils里的load_model传入模型 ID，迭代generate就能拿到波形，细节见 Python 快速上手。

常见的 3 种用法

批量音频生产。最有说服力的证据在仓库示例里：examples/bible-audiobook/ 调用本地 API 服务把 31,102 节经文逐句转成 86 小时的音频，作者用一台 24GB 的 M4 Pro Mac mini 跑了 28 小时。做整书配音、课程音频这类活儿，这是可以照抄的工程样板。

音频转文字。Whisper 覆盖 99+ 语言；VibeVoice-ASR 支持最长 60 分钟的录音，输出带说话人分离和时间戳，也支持流式输出。会议纪要、字幕制作这类场景，整条链路可以留在本机。

接入现有服务。mlx_audio.server起一个 OpenAI 兼容的 REST API：/v1/audio/speech和/v1/audio/transcriptions与官方接口对齐，已经在用 OpenAI SDK 的代码，基本改个 base URL 就能切过来。

下一步：从试用到真正用起来

先翻 Python 快速上手 过一遍各模型的调用方式；内存小的机器看 量化指南，优先挑 4bit 的 checkpoint。要输出 MP3 需要 ffmpeg，只出 WAV 可以跳过。建议第一次先挑一个小模型，生成三句话听一下音质，再决定往哪个方向深入。

【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