发帖
雷达卡
现在AI语音很火，各种语音AI助手遍地开花。但作为开发者，你是不是经常遇到这些让人抓狂的情况，想做TTS文本转语音，结果安装个OpenAI Whisper都要折腾半天。
想用自己的Mac训练语音模型，却因为依赖一堆CPU框架慢得像蜗牛，想集成语音功能到iOS或者macOS应用，却找不到合适的原生解决方案。
为大家介绍Github今天最热门的开源MLX-Audio来解决这个难题。
开源地址：https://github.com/Blaizzy/mlx-audio
MLX-Audio是一个专门为AppleSilicon打造的全能语音处理库，就像你的Mac上有了一位随身语音魔法师，能把文本转成语音、把语音转成文本，甚至直接进行语音到语音的转换，所有这些操作都在Apple的MLX框架上运行，完美榨干M1、M2、M3、M4芯片的性能。
让你的Mac能像超级计算机一样处理语音任务，高效快速，全部在本地运行，隐私安全有保障。
MLX-Audio最核心的能力是三合一语音引擎，也就是大家常说的TTS、STT和STS，TTS可以把文字变成高质量的语音，支持多种语言和口音，STT能把语音转录成文字，支持99种以上的语言。
STS则可以直接实现语音到语音的转换，比如翻译或者变声，你不用再东拼西凑找好几个不同的工具了，一个库就能搞定所有语音需求，减少依赖也降低了项目复杂度。
更重要的是针对Apple Silicon做了极致优化，推理速度专门针对M系列芯片调校，还支持量化模型从3bit到8bit，能进一步压缩内存占用。
甚至提供原生的Swift包，可以直接集成到iOS或者macOS应用里，实际用起来速度能提升5—10倍，以前跑一个小时的任务现在可能10分钟就搞定了，而且全部在本地运行，数据根本不会离开你的设备，隐私百分百安全。
模型生态也特别丰富，TTS方面有Kokoro这种带54种预设声音的模型，还支持阿里巴巴的Qwen3-TTS多模型支持以及OuteTTS等等。
STT有大家熟悉的Whisper、Parakeet、VibeVoice-ASR，STS则有SAM-Audio声源分离和Liquid2.5-Audio等。
你不需要自己从头训练模型，拿来就能用，而且模型还会持续更新，总有最新最厉害的选择。
使用方式也很多样，命令行工具可以一行命令就生成语音，Python API方便灵活集成到代码中，还提供Web界面带3D音频可视化效果，RESTAPI甚至兼容OpenAI的格式。
不管你是刚入门的新手还是经验丰富的硬核开发者，总能找到适合你的使用方式，语音定制化方面，有美式英式日式中文等各种预设声音，还能调节语速。
部分模型甚至支持情感控制，让你的语音输出更加个性化，无论是做播客游戏配音还是虚拟助手，都能找到完美匹配的声音。
安装其实特别简单，用pip安装一行命令就搞定，或者用uv这种更轻量的工具也行，不需要折腾CUDA，也不用配置复杂的环境。
安装好之后试试生成你的第一个语音，命令行方式就几行代码，指定模型和文本，加上语言代码和播放参数就行。
Python代码方式也很直观，加载模型然后调用生成方法，就能得到音频波形，你的第一个中文语音很快就生成了，还能直接播放。
想转型AI，不被时代淘汰
CAIE注册人工智能工程师认证
岗位能力 × AI工具 ×转型方向 × 场景落地 = 新AI职业价值
扫码免费领取《AI工程师入门学习指南》
京公网安备 11010802022788号
