מדריך CLI

Breeze TTS 2.

אנגלית / סינית TTS עם עיצוב קול, הפניה משוב וכיוון, ופלט אודיו (MLX BF16/8-bit, 24 kHz; מחקר / רישיון לא מסחרי).

speech speak "The quick brown fox jumps over the lazy dog." --engine breeze \
  --instruct "A clear, calm English narrator." --stream -o design.wav

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: ניתן לשנות את תהליך ה- MLX תקציב ב- MiB; 0 disables caching.
--breeze-reference-text
--breeze-temperature: 0.9
--breeze-top-k: 50
--breeze-top-p: 1
--breeze-cfg-scale: 4
--breeze-max-frames: 750
--breeze-seed: 42
--first-chunk-frames: 3
--chunk-frames: 25

ה-Apple Runtime- PocketTTS

PocketTTS מוסיף Native CoreML סינתזה דיבור ל speech-swift.כל השלבים חדלו מביצוע CPU בלבד.The English Alba presets 1,920-sample מסגרות ב 24 kHz (80 ms למסגרת).

Swift ו- CLI Use

speech speak "Hello world." --engine pocket --stream \
  --pocket-bundle-dir /path/to/bundle --pocket-seed 42 -o hello.wav
# --pocket-model-id, --pocket-max-frames, --list-speakers

הפקודה speech היא נקודת הכניסה לעיבוד דיבור מקומי.

התקן עם Homebrew

על Apple Silicon עם macOS 15 או חדש יותר, להתקין את CLI באמצעות Homebrew:

brew install speech
speech --help

כדי לעדכן מתקן קיים, הפעל brew upgrade speech.

המונחים: build from Source

ב- speech-swift Checkout, לרוץ make build, ולאחר מכן להשתמש .build/release/speech, ראה את הפעלת מדריך התחיל החל עבור תנאים מוקדמים והוראות פיתוח מקור.

עקבו אחרי

לצרף קבצי אודיו לטקסט.

speech transcribe <file> [options]

אפשרות	Default	תיאור תיאור
`<file>`		קובץ אודיו ל- transcribe (WAV M4A MP3, CAF)
`--engine`	`qwen3`	מנוע ASR: `qwen3`, `qwen3-coreml`, `parakeet`, `nemotron`, `omnilingual`, `cohere`, `voxtral`, `moss`, `whisper`
`--model, -m`	`0.6B`	דגם: `0.6B`, `1.7B`HuggingFace מודל מזהה (qwen3 בלבד) `[whisper]`: `default`, `turbo`CoreML HuggingFace repo ID. `[cohere/voxtral]`: INT5 (הופנה מהדף) INT8, FP16, a Hugging Face מודל מזהה, או מנהל מקומי. `[moss coreml]`: `int8` (default) או `fp16`; `[moss mlx]`: `int5` (default) או `int8`MOSS מקבל גם מזהה Hugging Face תואם או מנהל מקומי.
`--max-tokens`	CoreML: `512` MLX: `5120`	`[moss]` מקסימום ניב אסימונים.
`--kv-cache`	`fp16`	`[moss mlx]` דיוק דינמי KV-cache: `fp16` או `int8`.
`--language`		רמז שפה (אופציונלי, התעלמו על ידי omnilingual)
`--window`	`10`	`[omnilingual]` גודל חלון CoreML בתוך שניות: `5` או או `10`
`--backend`	`coreml`	`[omnilingual/moss]` חזרה: `coreml` (Neural Engine) `mlx` (Metal GPU). MOSS MLX מספק דינמי 131,072המונחים: MOSS CoreML שימושים קבועים 1,024המדינה האוטונומית.
`--variant`	`300M`	`[omnilingual mlx]` גודל: `300M`, `1B`, `3B`, או `7B`
`--bits`	`4`	`[omnilingual mlx]` ביטים קוונטיים: `4` או `8`
`--stream`		המונחים: VAD
`--max-segment`	`10`	משך הזמן המרבי בשניות (streaming)
`--partial`		תוצאות חלקית במהלך הדיבור (זרם)

Examples:

# Basic transcription
speech transcribe recording.wav

# Use larger model
speech transcribe recording.wav --model 1.7B

# CoreML encoder (Neural Engine + MLX decoder)
speech transcribe recording.wav --engine qwen3-coreml

# Use Parakeet (CoreML) engine
speech transcribe recording.wav --engine parakeet

# Use Nemotron Streaming (CoreML, English with native punctuation)
speech transcribe recording.wav --engine nemotron                                 # batch
speech transcribe recording.wav --engine nemotron --stream --partial              # streaming

# Omnilingual (CoreML, 1,672 languages)
speech transcribe recording.wav --engine omnilingual                              # 10 s window
speech transcribe recording.wav --engine omnilingual --window 5                     # 5 s window

# Omnilingual (MLX, any length up to 40 s)
speech transcribe recording.wav --engine omnilingual --backend mlx                              # 300M @ 4-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 1B                  # 1B @ 4-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 3B --bits 8         # 3B @ 8-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 7B                  # 7B @ 4-bit

# Cohere Transcribe 2B (MLX, INT5 default)
speech transcribe recording.wav --engine cohere
speech transcribe recording.wav --engine cohere --model int8 --language de

# Voxtral Mini 3B (MLX, INT5 default)
speech transcribe recording.wav --engine voxtral
speech transcribe recording.wav --engine voxtral --model int8 --language fr

# MOSS Transcribe Diarize (CoreML short-form)
speech transcribe recording.wav --engine moss
speech transcribe recording.wav --engine moss --model fp16

# MOSS Transcribe Diarize (MLX 128K offline context; INT5 default)
speech transcribe meeting.wav --engine moss --backend mlx
speech transcribe meeting.wav --engine moss --backend mlx --model int8 --kv-cache int8

# Whisper Large-v3 Turbo (CoreML)
speech transcribe recording.wav --engine whisper
speech transcribe recording.wav --engine whisper --model turbo --language de

# Streaming with VAD
speech transcribe recording.wav --stream --partial

היישר

היערכות מאולצת ברמה של Word - לקבל דגימות מדויקות לכל מילה.

speech align <file> [options]

אפשרות	Default	תיאור תיאור
`<file>`		קובץ Audio
`--text, -t`		טקסט ליישר (אם יושכו, תכתבו קודם)
`--model, -m`	`0.6B`	ASR מודל עבור תמליל: `0.6B`, `1.7B`, או מזהה מלא
`--aligner-model`		מודל ה-codeer
`--language`		שפה

Examples:

# Auto-transcribe then align
speech align recording.wav

# Align with known text
speech align recording.wav --text "Can you guarantee that the replacement part will be shipped tomorrow?"

דיבור דיבור

טקסט-to-speech סינתזה.

speech speak "<text>" [options]

אפשרות	Default	תיאור תיאור
`<text>`		טקסט לסנתז (אופציונלי אם משתמשים `--batch-file`)
`--engine`	`qwen3`	מנוע TTS: `qwen3`, `cosyvoice`, `voxcpm2`, `indextts2`, `f5`, `higgs`, `breeze`, `indic-mio`, `magpie`או `magpie-coreml`, `moss-nano`, `fireredtts3`, `moss-voicegenerator`
`--output, -o`	`output.wav`	Output WAV נתיב קובץ
`--language`	`english`	שפה. omit להשתמש בניב הילידים של הדובר כאשר `--speaker` מוגדר.
`--stream`		המונחים: synthesis
`--voice-sample`		השמעה קולית (עבודה עם `qwen3`, `cosyvoice`, `voxcpm2`, `f5`, `higgs`ו `indextts2`)
`--verbose`		מידע על תזמון

Qwen3-TTS אפשרויות

אפשרות	Default	תיאור תיאור
`--model`	`base`	מודל גרסה: `base`, `customVoice`, או HF מודל מזהה
`--speaker`		קול יושב הראש (requires `--model customVoice`)
`--instruct`		עיצוב סגנון (CustomVoice Model)
`--list-speakers`		רשימת רמקולים ויציאה
`--temperature`	`0.3`	טמפרטורת עישון
`--top-k`	`50`	Top-k sampling
`--max-tokens`	`500`	מקסימום אסימונים (500=40 אודיו)
`--batch-file`		קובץ עם טקסט אחד לכל קו עבור סינתזה אצווה
`--batch-size`	`4`	גודלו של מקס מקביל לדור
`--first-chunk-frames`	`3`	מסגרות Codec ב- First Flowed
`--chunk-frames`	`25`	מסגרות Codec לכל גוש

CosyVoice3 אפשרויות

אפשרות	Default	תיאור תיאור
`--speakers`		מיפוי לדיאלוג רב-רמקולים: `s1=alice.wav,s2=bob.wav`
`--cosy-instruct`		הוראות סגנון (מעלירת מחדל) שליטה בסגנון הקול עבור CosyVoice3.
`--turn-gap`	`0.2`	פער שתיקה בין הדיאלוג הופך תוך שניות
`--crossfade`	`0.0`	עיגולים חופפים בין סיבובים בתוך שניות
`--model-id`		HuggingFace מודל מזהה

VoxCPM2 אפשרויות

אפשרות	Default	תיאור תיאור
`--voxcpm2-variant`	`bf16`	Quantisation: `bf16`, `int8`, או `int4`.פתורים `aufklarer/VoxCPM2-MLX-<variant>`
`--voxcpm2-instruct`		תיאור הקול הטבעי (עיצוב חשבונית), למשל "אישה צעירה, חמה ועדינה".
`--voxcpm2-ref-audio`		קובץ אודיו לחיקוי (16 kHz mono, resampled פנימי).
`--voxcpm2-prompt-audio` / `--voxcpm2-prompt-text`		זוג "השביע שתן" - הפניה וידאו + התמליל שלה עבור שיבוט ראוי לגיל הרך.
`--voxcpm2-cfg-value`	`2.0`	סולם הדרכה חינם עבור דגימה diffusion.
`--voxcpm2-timesteps`	`10`	אוילר פותר שלבים עבור תיקון אודיו שנוצר.
`--voxcpm2-max-tokens`	`2000`	מקס יצר כתמים לפני הפסקת אש.
`--voxcpm2-min-tokens`	`2`	מילימטרים לפני שהראש העצור מותר לירות.
`--seed`		ראה MLX RNG לפני סינתזה (קבוע על פני ריצות).

IndexTTS2 אפשרויות

IndexTTS2 הוא מנוע קול-קולי אפס-shot המגובה על ידי חבילת MLX.זה דורש --voice-sample ועכשיו מפעילה סינתזה רק.

אפשרות	Default	תיאור תיאור
`--indextts2-model-id`	`aufklarer/IndexTTS2-MLX-fp16`	HuggingFace מודל מזהה. Defaults to `aufklarer/IndexTTS2-MLX-fp16`.
`--indextts2-bundle-dir`		לטעון חבילה מקומית מורחבת במקום להוריד מ Hugging Face.
`--indextts2-emotion-audio`		אודיו תגובה אופטית / סגנון דיבור. Defaults to the Speaker Reference.
`--indextts2-emotion`		ראשי התיבות של Optional preset or 8-value Feeling ו-Presets כוללים `eager`, `happy`, `excited`, ו `calm`.
`--indextts2-emotion-weight`	`1.0`	Scales `--indextts2-emotion`; לשמור על צנוע כאשר זהות הדוברת חשובה.
`--indextts2-speaking-rate`	`1.0`	מכפלת דיבור מ `0.5` ל `1.5`; ערכים מעל `1.0` מהירים יותר.
`--indextts2-max-pause`		כובע אופטי לעצימות אנרגיה פנימית ארוכות, תוך שניות.
`--indextts2-s2mel-steps`	`15`	S2Mel מדרגות זרימה (default 15, אוזן-validated; 25 משחקים במעלה הזרם בדיוק)

F5-TTS אפשרויות

אפשרות	Default	תיאור תיאור
`--f5-reference-text`		טקסט: תוכן הטקסט של --voice-sample (required)
`--f5-steps`	`16`	שלבים של זרימה (default 16; 32 עבור נאמנות מקסימלית)
`--f5-cfg-strength`	`2.0`	כוח הדרכה חינם Classifier
`--f5-sway`	`-1.0`	Sway sampling coefficient
`--f5-speed`	`1.0`	דיבור-כפל
`--f5-seed`	`0`	עקבו אחרי resolutionisticפלט
`--f5-target-rms`	`0.1`	המטרה של RMS Normalization
`--f5-model-id`		Hugging Face מודל מזהה
`--f5-bundle-dir`		לטעון חבילה מהמנהל המקומי הזה

Higgs TTS 3 אפשרויות

אפשרות	Default	תיאור תיאור
`--higgs-ref-text`		טקסט: תוכן הטקסט של --voice-sample (שיפור השיבוט)
`--higgs-temperature`	`0.8`	טמפרטורת עישון (default 0.8)
`--higgs-top-p`		Nucleus sampling סף (off by ברירת מחדל)
`--higgs-top-k`		Top-k sampling cutoff (off by ברירת מחדל)
`--higgs-max-new-tokens`	`2048`	מסגרות אודיו מקסימליות (25 לשנייה)
`--higgs-seed`	`0`	עקבו אחרי resolutionisticפלט
`--higgs-model-id`		Hugging Face מודל מזהה
`--higgs-bundle-dir`		לטעון חבילה מהמנהל המקומי הזה

אפשרויות Magpie

NVIDIA Magpie-TTS Multilingual 357M, 9 שפות עם 5 אפוי רמקולים. --engine magpie (MLX, ברירת מחדל) או --engine magpie-coreml (CoreML עבור המודלים הגדולים עם MLX שמניעה את ה- Local Transformer + אודיו הטמיעה). מדריך Magpie עבור התמוטטות G2P המלא. שיבוט קולי אינו נתמך: --voice-sample, --speakerו --instruct נדחו בשגיאה מועילה המצביעת --magpie-speaker במקום זאת.

אפשרות	Default	תיאור תיאור
`--magpie-variant`	`int4`	MLX-Only Quantization: `int4` (247 MB) או `int8` (411 MB) פותר `aufklarer/Magpie-TTS-Multilingual-357M-MLX-<variant>`מנוע CoreML משתמש בחבילת INT8 CoreML ומתעלם מהדגל הזה.
`--magpie-speaker`	`sofia`	דובר בכר: `sofia`, `aria`, `jason`, `leo`או `john`זהות היא עקבית בכל השפות 9 ושניהם מחזירים.
`--magpie-temperature`	`0.6`	טמפרטורת עישון (0 = חמדן) `0.6` עבור היפנים - חמדנים נתקעים על הביטוי הראשון.
`--magpie-top-k`	`80`	מסנן Top-k עבור דגימה.
`--magpie-max-frames`	`500`	כובע קשה על מסגרות קוד (~23 s).
`--magpie-min-frames`	`4`	מסגרות מינימום לפני ה- EOS אפשרו.
`--magpie-prephonemized`		התייחס לקלט כזרם IPA/טלפון; לדלג על כל שפה G2P.
`--list-speakers`		הדפסה 5 אפוי רמקולים ויציאה.

מאגי-coreml Caveats: ה-Nanocodec הסורק נמצא בחלון 64-frame, כך גם --stream נדחתה. --language ja נתיבי רכב אל MLX חזרה עם פתק עוקץ (the a stderr CoreML החבילה עדיין לא מעבירה את נכסי הסימון של JA. CoreML מנוע עצלן - The MLX החבילה על סינתזה ראשונה כדי להניע את ה- Local Transformer ואת אודיו הממוצע הטמיע; פריסה טהורה-CoreML היא מעקב.

Examples:

# Basic TTS
speech speak "Hello, world!" --output hello.wav

# Voice cloning (Qwen3-TTS)
speech speak "Hello in your voice" --voice-sample reference.wav -o cloned.wav

# Voice cloning (CosyVoice)
speech speak "Hello in your voice" --engine cosyvoice --voice-sample reference.wav -o cloned.wav

# Voice cloning (IndexTTS2)
speech speak "Hello in your voice" --engine indextts2 \
    --voice-sample reference.wav --indextts2-speaking-rate 1.35 \
    --indextts2-max-pause 0.05 -o indextts2.wav

# CosyVoice multilingual
speech speak "Hallo Welt" --engine cosyvoice --language german -o hallo.wav

# Multi-speaker dialogue
speech speak "[S1] Hello there! [S2] Hey, how are you?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o dialogue.wav

# Inline emotion/style tags
speech speak "(excited) Wow, amazing! (sad) But I have to go..." \
    --engine cosyvoice -o emotion.wav

# Combined: dialogue + emotions + voice cloning
speech speak "[S1] (happy) Great news! [S2] (surprised) Really?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o combined.wav

# Custom style instruction
speech speak "Hello world" --engine cosyvoice --cosy-instruct "Speak cheerfully" -o cheerful.wav

# Magpie multilingual TTS — same Aria voice across 9 languages
speech speak "Hello, world." --engine magpie --magpie-speaker aria \
    --magpie-temperature 0 -o en.wav
speech speak "Hola mundo." --engine magpie --language es --magpie-speaker aria \
    --magpie-temperature 0 -o es.wav
# Japanese needs stochastic sampling
speech speak "こんにちは世界、これは音声合成システムです。" \
    --engine magpie --language ja --magpie-temperature 0.6 \
    --magpie-top-k 80 --seed 42 -o ja.wav
speech speak --engine magpie --list-speakers

# Magpie CoreML backend (ANE-accelerated, 8 languages, no streaming)
speech speak "Hello world." --engine magpie-coreml --magpie-speaker aria -o en.wav
speech speak "Hola mundo." --engine magpie-coreml --language es \
    --magpie-speaker leo -o es.wav
# Japanese auto-routes to MLX (CoreML bundle has no JA tokenizer)
speech speak "こんにちは。" --engine magpie-coreml --language ja -o ja.wav

# Streaming synthesis
speech speak "Long text here..." --stream

# Batch synthesis from file
speech speak --batch-file texts.txt --batch-size 4

# VoxCPM2 — 48 kHz studio output
speech speak "Hello there." --engine voxcpm2 --voxcpm2-variant int8 -o hi.wav

# VoxCPM2 — voice design
speech speak "Welcome to the show." --engine voxcpm2 \
    --voxcpm2-instruct "A young woman, warm and gentle voice." -o design.wav

# VoxCPM2 — single-reference cloning
speech speak "This is a cloned voice." --engine voxcpm2 \
    --voice-sample speaker.wav -o clone.wav

הוראות TTS אפשרויות

Experimental: בניית Native SDK תמיכה ממקור ראשי Homebrew והודעות CLI אחרות שנבנו מראש עשויות לא לכלול את המנועים האלה עדיין.

Implementation (PR 541): main

פורסם MLXחבילות: aufklarer/FireRedTTS3-Instruct-MLX-fp32 aufklarer/MOSS-VoiceGenerator-MLX-bf16

לספק טיעון טקסט אחד, --instruct, ובדיוק קובץ אחד או מזהה מודל תואם. Reference אודיו, רמקולים קבועים והזנת אצווה הם ללא תמיכה.

כל שדה טקסט והדרכה מוגבל ל-32,768 UTF-8 Bytes. The Complete שניתנו לקלט מהירות, כולל התבנית שלה, חייב להתאים בתוך 4,096 אסימונים.

FireRedTTS3-Instruct שומרת Float32 מודל ו-coder משקולות.It מחזיר אודיו מנוקד: omit --stream. אנגלית וסיני --language

MOSS-VoiceGener שומרת BF16 משקל שפה ו FP32 סינתזה codec. השתמש --stream PCM. Omit --language דרישות שפה --instructCompletion מרוקן את כל שש עשרה ספרי קוד.

איכות מעקב אחר הוראה היא לא מזוקקת.ממדת קצר תיאור ההתקנה נבדקת; הסמכה לעקב מודל קיים נותרת בלתי כוללת.

אפשרות	Default	תיאור תיאור
`--fireredtts3-bundle-dir`	—	החבילה המייצאת המקומית; בחרו באפשרות זו או המודל-ID.
`--fireredtts3-model-id`	—	פורסם תואם MLX מזהה החבילה; בחר את זה או מנהל מקומי.
`--fireredtts3-flow-steps`	10	זרימת צעדים לכתם אקוסטי.
`--fireredtts3-max-patches`	400	הדור הראשון: להגיע אליו לפני השלמתו מעלה טעות.
`--moss-voicegenerator-bundle-dir`	—	החבילה המייצאת המקומית; בחרו באפשרות זו או המודל-ID.
`--moss-voicegenerator-model-id`	—	פורסם תואם MLX מזהה החבילה; בחר את זה או מנהל מקומי.
`--moss-voicegenerator-max-frames`	750	הדור הראשון: להגיע אליו לפני השלמתו מעלה טעות.
`--moss-voicegenerator-chunk-frames`	3	מסגרות קוד שלם עבור PCM נתח (1-32).
`--seed`	2 / 42	בקשה לזרע: FireRedTTS3 ברירת מחדל ל-2; MOSS-VoiceGenerator to 42.

FireRedTTS3-Instruct · MOSS-VoiceGener

koro

קל משקל טקסט ל-Speech באמצעות Kokoro-82M על Neural Engine (CoreML) Non-autoregressive - מעבר קדימה יחיד, / 45ms latency.

speech kokoro "<text>" [options]

אפשרות	Default	תיאור תיאור
`<text>`		טקסט לסנתז
`--voice`	`af_heart`	Voice preset (50 זמין ב-10 שפות)
`--language`	`en`	קוד שפה: en, es, fr, Hi, It, Ja, pt, zh, ko, de, de
`--output, -o`	`kokoro_output.wav`	Output WAV נתיב קובץ
`--list-voices`		רשימה של כל הקולות הזמינים ויציאה
`--model, -m`		HuggingFace מודל מזהה

Examples:

# Basic Kokoro TTS
speech kokoro "Hello, world!" --voice af_heart -o hello.wav

# French voice
speech kokoro "Bonjour le monde" --voice ff_siwis --language fr -o bonjour.wav

# List all 50 voices
speech kokoro --list-voices

תגובה תגובה

דיאלוג דיבורי-to-speech באמצעות PersonaPlex 7B.

speech respond [options]

אפשרות	Default	תיאור תיאור
`--input, -i`		Input Audio WAV קובץ (24kHz מונו) (required)
`--output, -o`	`response.wav`	קובץ WAV
`--voice`	`NATM0`	Voice preset (למשל NATM0, NATF1 VARF0)
`--system-prompt`	`assistant`	Preset: `assistant`, `focused` `customer-service`, `teacher`
`--system-prompt-text`		מערכת המכסה טקסט (Overrides preset)
`--max-steps`	`200`	Max Generation Steps at 12.5Hz (-16s)
`--stream`		Emit אודיו נתח במהלך הדור
`--compile`		Enablelated Transformer (Warmup + kernel fusion)
`--list-voices`		רשימה זמין Voice presets
`--list-prompts`		רשימה זמינה מערכת Presets
`--transcript`		הדפס את הטקסט המונולוג הפנימי של המודל
`--json`		Output as JSON (transcript, latency, Audio Path)
`--verbose`		מידע על תזמון

עקבו אחרי Overrides

אפשרות	Default	תיאור תיאור
`--audio-temp`	`0.8`	טמפרטורת דגימת אודיו
`--text-temp`	`0.7`	טמפרטורת דגימת טקסט
`--audio-top-k`	`250`	מועמדים מעולים
`--repetition-penalty`	`1.2`	עונש החזרה (1.0 = מוגבלות)
`--text-repetition-penalty`	`1.2`	עונש החזרה (1.0 = מוגבלות)
`--repetition-window`	`30`	חלון עונשי תגמול במסגרות
`--silence-early-stop`	`15`	מסגרות שתיקה לפני תחילת התחנה (0=נכה)
`--entropy-threshold`	`0`	סף אנטרופיה לעצירה מוקדמת (0 = מוגבלויות)
`--entropy-window`	`10`	צעדים נמוכים לפני הפסקת מוקדם

Examples:

# Basic speech-to-speech
speech respond --input question.wav

# Use a female voice with compiled transformer
speech respond -i question.wav --voice NATF1 --compile

# Stream response and show transcript
speech respond -i question.wav --stream --transcript --verbose

קול-צ'אט

לחיות שיחה מלאה עם Soniqoמופעל על ידי NVIDIA Nemotron VoiceChat 11B. Microphone מצב מאפשר Apple AEC, הזרמת כתוביות RN-T, מדדים בזמן אמת, הסתגלות 8→2→1- שלב את הזיקוק הקולי, וקשור מחדש קלט במקום מלכוד שקט ארוך.

speech voice-chat [options]

אפשרות	Default	תיאור תיאור
`--model, -m`	`aufklarer/VoiceChat-11B-Perception-MLX-int5`	Hugging Face מודל מזהה או החבילה המקומית המלאה.
`--revision`	`main`	תיקון ה- Hub.
`--system-prompt`		להתגבר על המערכת מהר.
`--mcp-config`		ספק-ניטרלי JSON תצורה עבור MCP שרתי כלים.
`--mcp-server`	הכל מוגדר	בחר שרת מוגדרת אחת; חזור על בחירת עוד.
`--mcp-write-policy`	`allow`	כתוב מדיניות: `allow`, ממומן `confirm`, או `deny`.
`--mcp-timeout-seconds`	`15`	MCP לוח הזמנים של כלי-טלפון; ההפעלה השרת מאפשרת לפחות 60 שניות.
`--greet`		שאל את המודל לברך קודם.
`--no-aec`		ביטול ה-Apple אקוסטי
`--no-transcript`		כתוביות למשתמשי RN-T
`--no-rnnt-turn-taking`		Disable NVIDIA RN-T Turn-ing Safety Fallbacks.
`--prebuffer-frames`	`3`	80 ms פלט מסגרות buffered לפני משחק.
`--max-buffered-frames`	`8`	מקסימום 80 מ"מ מסגרת מיקרופון לפני אודיו stale נזרק.
`--max-seconds`		תפסיקו לתפוס את עצמכם לאחר שניות רבות.
`--input`		קראו קובץ אודיו במקום המיקרופון.
`--output, -o`		כתוב את ה-context המלא 22.05 kHz WAV.
`--tail-seconds`	`6`	שתיקה רשמה לאחר קבלת קבצים.
`--force-turn-at-end`		כוח BOS בקובץ EOF; בדיקות רגרסיה בלבד.
`--plain`		השתמש בפלט רק Append במקום לוח המחוונים הקבוע.
`--debug-timeline`		הצג ביטוי יחסי ומופעל-זמני הכרזה-סוף בתוספת אירועים ממושמעים של כלי-קריאה.
`--terminal-width`	`120`	רוחב התצוגה של טרמינל
`--temperature`	`0`	טמפרטורת טקסט: 0 היא חמדנית.
`--text-top-p`	`1`	טקסט למעלה.
`--guidance`	`0.2`	כוח הדרכה של שנים.
`--speech-top-p`	`0.95`	EAR-TTS Top-p.
`--speech-noise`	`0.001`	רעש של שנים.
`--speech-iterations`	`8`	EAR-TTS MaskGIT Iterations per מסגרת
`--realtime-speech-iterations`	`2`	תקציב מימון קולי בינוני המשמש להגנה על מהירות בזמן אמת; עומס חמור משתמש צעד אחד.
`--live-speech-context-seconds`	`20`	היסטוריה של שנים-TTS שנשמרה במצב חי; 0 שומרת על היסטוריה מלאה.

Examples:

speech voice-chat

speech voice-chat --model /path/to/complete-bundle --prebuffer-frames 3

speech voice-chat --input question.wav --output response.wav

speech voice-chat --mcp-config Examples/VoiceChatMCP/apple-reminders.json

עם MCP ניתן, לדוגמה-native call JSON ו-Resideed Tool-response Uses NVIDIA"דרך פונקציה דו-זמנית של דו-זמנית על שתיקה חרדת שמטילה.אין נתב תמליל, מתאם ביטוי קבוע, תזכורת טיוטת המדינה, תיקון הטיעון, או עוזר תסריט: המחסום לבדו בוחר כלי וטיעוניו.המתאם רק מאמת את הילידים JSON, החל לקרוא/w מדיניות, מבצע את המדיניות שנבחרה, מבצע את הנבחר שנבחרה שנבחרה: המחסומים לבדו בוחר כלי בלבד וטיעוניה. MCP פעולה, וחוזרת תוצאות מובנות באמצעות ערוץ הפונקציה המוכשר.כתובים מבצעים מיד מתחת לפני ברירת המחדל. allow מדיניות, הסרת אישור שני פונה מהתזכורת להדגמה; מסמך זהה הושלם עדיין מדוכא עד דיבור משתמש טרי. confirm רק כאשר אישור אוטומטי מתוכנן במפורש, או deny כדי לסרב לכתוב. MCP פקודות לרוץ באופן מקומי עם מערכת הקבצים של המשתמש הנוכחית ואת הרשאות היישום, אז להשתמש רק קבצים תצורה מהימן חבילות שרת.

תפיסה מיקרופונית וכתובות RN-T ממשיכות בין צעדים לדגם, בעוד חיצוני MCP I/O פועל במשימה נפרדת.אזורי מיקרופון נושאי דיבור שנלכדו בעוד ש-Cache הפונקציה המשותף עסוק נשמרים כמדיקים מוערכים ומשוחקים מחדש באופן סיבתי לאחר התוצאה, כך שעקב כתוביות כבר אינו מחוספס. Replay מוגבל למסגרת סמנטית ישנה אחת לקריאה חיה; המסגרת החדשה המקבילה נותרת בתור, Replay הוא נאלץ ל-D PAD, וכעת הוא כבר מכווץ לעמדות דואר אלקטרוניות, שעדיין לא מתואם. MCP נסיעה עגולה, וכלי-result cache synSyncization. Decode וקווים תוצאה להראות מודל /cache compute בתוספת live interleave, שאריות בשימוש על ידי השחקן נכנע, ספייקט, ושביעות רצון מערכת; אודיו פנים RTF לא מודד שום עבודה רקע זה.לאחר שיחה פתוחה, ערוץ הטקסט הכפוי-PAD מלגלג על הפרויקט המלא-מלאי הלא בשימוש שלו, לאחר EOTC, הנתיב הדו-phase קופא את השפה המשותפת ו- EAR-TTS בזמן שהתוצאה החיצונית מתקרבת; המיקרופון נשאר חי עבור תפיסה ו-RN-T, אך לא הופך לעמדות סינטטיות לפני התוצאות המוכרות. 16- גושים סיבתיים-prefills.הלאה החיה קוראת פונקציה אחת קוהרנטית תמונה ואחד MCP צילום כל 160 במקום לעשות כמה שחקנים קוראים לאחר כל מסגרת מיקרופון.שיחה רגילה שומרת על המיקרופון. 40- מסגרת RN-T בטיחות נפילה, בעוד מועמד כלים ילידים כבר יכול להתחייב לאחר שמונה מסגרות ריקות.ערוצי הטקסט והתפקוד עדיין חולקים אחד Nemotron-H cache, כך דיבור מותני מתחיל רק לאחר התגובה הפונקציה נסגר; עוזר שרירותי לא יכול לרוץ בבטחה כעתיד גורם שני במקביל.

נקי M5 Pro Pro 48 פרופיל שחרור GB נמדד 3.56–4.00 שניות מסוף הדיבור לנאום הפוסט-טרינר הראשון של הדוגמת הדוגמנות של שלוש מילים של רשימת תזכורות עם תיק קבוע 200 שם המחבר: Native JSON decoding 27–31 צעדים 1.15–1.28 שניות, ו 67תוצאה מסונכרנת ב 0.58–0.72 עם ספק איטי במכוון שתי שניות, עובד המיקרופון במהלך ההמתנה נשאר 19.6 ms p95 ו 19.8 מקסימום: ריצה נקייה סופית נמדדת 118 msמיקרופון-service p95 ו 139 ms p95 איחור מעבר ל 80 לכן, ספק מוסיף שקיפות ללא לכידת מקפיאה; הגבול הנינוח הנותרים הוא קריאה Native call decoding בתוספת תוצאות משותפות-cache replay.

ההדגמה המפוזרת חושפת רק list_reminders, create_reminderו update_reminder; גילוי רשימה נשאר הסתגלות-פרטיבית.תזכורת שטוחה אחת לקריאה מכסה כל רשימת EventKit ומחליף ספק ארוך UUIDs עם הפניות יציבות, קבועות כגון: r1עדכונים מחזירים את אחד מההתייחסויות האלה, והמתאם פותר אותה בדיוק לפני ביצוע; היא לעולם לא תתאים לשמות המדוברים או לטקסט תמים.לא-op עדכונים וסדרי עדיפויות שבריריים נדחו ולא דווחו כשינויים מוצלחים. 67 צעדים מקומיים / 5.25 שניות עם UUID ריאלי 37 צעדים / About 2.29 שניות עם r1יצירת דורש רק שם בעוד ספק אופציונלי ברירת מחדל נשאר אופציונלי.החזית RN-T הזרמה משתמשת קידוד השתקפות תואמים NeMo בגלגלי חלונות במקום אפס מסתננים.

מצב הקבצים הוא הנתיב ללא חומרה התחדשות. --force-turn-at-end

אודיו-translate

תרגום ל-to-speech באמצעות Kyutai Hibiki Zero-3B. FR / PT / DE, One binary, no cloud. מדריך מלא

speech audio-translate <input.wav> [options]

אפשרות	Default	תיאור תיאור
`<input>`		קובץ אודיו WAV (mono, resampled to 24 kHz פנימי) (required)
`--output, -o`	`translated.wav`	Output 24 kHz English WAV קובץ
`--source-lang`	`fr`	המונחים:`fr`, `es`, `pt`, `de`). Auto-detected; metadata בלבד. FR + ES הם קשיח E2E קנדריות; PT + DE הם הטוב ביותר מאמץ.
`--quantization`	`4bit`	משתנה: `4bit` (~2.7 GB) או `8bit` (-3.9 GB)
`--model-id`		HuggingFace מודל id Override ( לוקח עדיפות על `--quantization`)
`--compile`		הפעל את הטרנספורמציה הזמנית עובר לפני התרגום
`--verbose`		הדפסה לתזמוןים (Mimi encode, Generation, Mimi
`--transcript`		הדפס את התעודה הפנימית-מונולוג הגולמי SPM (SPM decode wiring הוא מעקב)

איכות הסביבה משתנה

משתנה	אפקט אפקט
`HIBIKI_GREEDY=1`	כוח מתורגמןmax decoding עבור טקסט + היעד אודיו. Reproducible - בשימוש על ידי canaries קפדני CI.
`HIBIKI_MODEL_ID`	Override את ברירת המחדל `aufklarer/Hibiki-Zero-3B-MLX-4bit`

Examples:

# Translate a French clip to English
speech audio-translate input_fr.wav -o out_en.wav --source-lang fr

# Spanish, 8-bit, verbose
speech audio-translate input_es.wav -o out.wav --source-lang es --quantization 8bit --verbose

# Deterministic mode (matches the CI regression canaries)
HIBIKI_GREEDY=1 speech audio-translate input_fr.wav -o out.wav --source-lang fr

vad

זיהוי פעילות קולית Offline באמצעות Pyannote פלמנטציה.

speech vad <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו כדי לנתח
`--model, -m`	HuggingFace מודל מזהה
`--onset`	סף התחלה (Speech Start)
`--offset`	סף התחלה (Speech End)
`--min-speech`	תקופת דיבור מינימלית תוך שניות
`--min-silence`	מינימום שקט בתוך שניות
`--json`	תגית: JSON

Vad-stream

זיהוי קולי באמצעות Silero VAD v5 מעבד דיבור ב-32ms.

speech vad-stream <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו כדי לנתח
`--engine`	VAD מנוע `mlx` (default) או `coreml`
`--model, -m`	HuggingFace מודל מזהה (auto-s chosen על ידי מנוע)
`--onset`	סף התחלה
`--offset`	סף התחלה
`--min-speech`	תקופת דיבור מינימלית תוך שניות
`--min-silence`	מינימום שקט בתוך שניות
`--json`	תגית: JSON
`--smart-turn`	לאשר כל הפסקה עם Smart Turn לפני סיום קטע; הפסקת ביניים מתמזגת לתוך קטע אחד
`--turn-threshold`	Smart Turn סף סיום (default `0.5`)
`--turn-max-silence`	שניות של שתיקה לאחר הפסקה וטועה כי לסיים את הקטע בכל מקרה (default `2.0`)

תורו

End-of-turn זיהוי עם Smart Turn v3.2 (8M params, CoreML, 23 שפות) מציין את 8 s האחרונים של אמירה רשומה ודפיס את ההסתברות כי הדובר סיים, השלם / שלם / פסק הדין, ואת זמן ההיקף.

speech turn <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו עם תור משתמש אחד (כל שיעור מדגם); 8 האחרון משמשים
`--threshold`	יעילות או מעליה התפנית נחשבת שלמה (default `0.5`)
`--model, -m`	HuggingFace מודל מזהה. Defaults to `aufklarer/Smart-Turn-v3.2-CoreML`
`--model-dir`	מנהל מקומי מחזיק `smart_turn.mlmodelc` ו `config.json`; לדלג על ההורדה
`--json`	תגית: JSON

# Probability, verdict and inference time for one utterance
speech turn utterance.wav

# Custom threshold, JSON output
speech turn utterance.wav --threshold 0.7 --json

# Streaming VAD with Smart Turn confirming each pause
speech vad-stream call.wav --smart-turn --turn-threshold 0.6 --turn-max-silence 1.5

להתעורר

על-ידי הדגמה של מילות מפתח / מילת מפתח המצביעת באמצעות KWS Zipformer (3.49M params, CoreML INT8, 26× בזמן אמת, אנגלית בלבד).

speech wake <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו כדי לנתח
`--keywords`	אחת או יותר מילות מפתח.תבניות: `"hey soniqo"` (greedy BPE), `"hey soniqo:0.15:0.5"` (עם סף / בוז), או `"LIGHT UP\|▁ L IGHT ▁UP:0.25:2.0"`
`--keywords-file`	קובץ מילות מפתח, כניסה אחת לשורה (Same syntax as `--keywords`); `#`
`--model, -m`	HuggingFace מודל מזהה. Defaults to `aufklarer/KWS-Zipformer-3M-CoreML-INT8`
`--json`	תגית: JSON

# Plain phrase, tuned defaults
speech wake recording.wav --keywords "hey soniqo"

# Explicit BPE pieces for phrases the greedy tokenizer gets wrong
speech wake recording.wav --keywords "LIGHT UP|▁ L IGHT ▁UP:0.25:2.0"

# Multiple phrases + JSON output
speech wake recording.wav \
  --keywords "lovely child|▁LOVE LY ▁CHI L D:0.25:2.0" \
             "for ever|▁FOR E VER:0.25:2.0" \
  --json

diarize

שם הסרטון: Speaker Who Talk When.

speech diarize <file> [options]

אפשרות	Default	תיאור תיאור
`<file>`		קובץ אודיו כדי לנתח
`--engine`	`pyannote`	Diarization מנוע: `pyannote`, `community1` (CoreML + Native PLDA/VBx), `sortformer`, או `nemotron3`
`--nemotron3-backend`	`coreml`	Nemotron 3 Backend: `coreml` או `mlx`
`--nemotron3-directory`		מיקום Nemotron 3 מודל החבילה
`--nemotron3-compute-units`	`ane`	CoreML compute יחידות: `ane`, `cpu`, `gpu`או `all`
`--community1-compute-units`	`ane`	Community-1 CoreML compute יחידות: `ane`, `cpu`, `gpu`או `all`
`--num-speakers`		שם מקורי: Community-1
`--min-speakers`	`1`	רמקול מינימום Community-1
`--max-speakers`		המונחים: Community-1
`--target-speaker`		אודיו עבור מיצוי של דובר היעד (איור בלבד)
`--embedding-engine`	`mlx`	שם המחבר: `mlx` או `coreml` (pyannote בלבד)
`--vad-filter`		Pre-filter with Silero VAD (pyannote בלבד)
`--rttm`		Output בפורמט RTTM
`--json`		תגית: JSON
`--score-against`		קובץ RTTM ל-compute DER

Examples:

# Basic diarization (pyannote, default)
speech diarize meeting.wav

# Community-1 (CoreML + native PLDA/VBx)
speech diarize meeting.wav --engine community1 --min-speakers 2 --max-speakers 6

# End-to-end Sortformer (CoreML, Neural Engine)
speech diarize meeting.wav --engine sortformer

# Nemotron 3 (CoreML or MLX INT8)
speech diarize meeting.wav --engine nemotron3
speech diarize meeting.wav --engine nemotron3 --nemotron3-backend mlx

# RTTM output for evaluation
speech diarize meeting.wav --rttm

# Target speaker extraction (pyannote only)
speech diarize meeting.wav --target-speaker enrollment.wav

# Score against reference
speech diarize meeting.wav --score-against reference.rttm

רמקול מובנה

הוציאו רמקול המטביע וקטור מהדיו.

speech embed-speaker <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו המכיל קול הדובר
`--engine`	`mlx` (default) או `coreml` עבור WeSpeaker 256-dim; `redimnet2` זהות מתמשכת CoreML 192-dim; `camplusplus` CAM + CoreML 192-dim
`--json`	תגית: JSON

שפה-id

לזהות את השפה המדוברת בקובץ אודיו.

speech language-id <file> [options]

אפשרות	תיאור תיאור
`<file>`	קובץ אודיו ל Classify
`--engine`	מנוע הסימון: מ"לקס או ליבת מ"ל
`--model`	Override the Hugging Face מודל מזהה
`--top`	מספר המועמדים לשפה מדורגת
`--json`	עקבו אחרי JSON

speech language-id recording.wav --top 5
speech language-id recording.wav --engine coreml --json

דה דה

להסיר רעש רקע באמצעות DeepFilterNet3 על Neural Engine.

speech denoise <file> [options]

אפשרות	Default	תיאור תיאור
`<file>`		קובץ אודיו Input
`--output, -o`	`input_clean.wav`	המונחים: path
`--model, -m`		HuggingFace מודל מזהה

Example:

speech denoise noisy-recording.wav -o clean.wav

מרכיבים

יצירת 30 s של מוסיקה מטקסט מהיר באמצעות MAGNeT על MLX.

speech compose <prompt> [options]

אפשרות	Default	תיאור תיאור
`<prompt>`		טקסט מהיר המתאר את המוזיקה כדי ליצור (למשל "happy Rock")
`--output, -o`	`magnet.wav`	Output WAV Path (32 kHz מונו)
`--variant`	`small-int4`	דגם: `small-int4`, `small-int8`, `medium-int4`או `medium-int8`פתרונות to `aufklarer/MAGNeT-{Small,Medium}-30secs-MLX-{4,8}bit`.
`--temperature`	`3.0`	הטמפרטורה, נשימה ליניארית לכל שלב.
`--top-p`	`0.9`	Nucleus sampling סף
`--cfg-max`	`10.0`	Max Classifier-free Guide coefficient.
`--cfg-min`	`1.0`	Min CFG coefficient (הופנה מהדף המסיכה).
`--steps`	`20,10,10,10`	קידוד משותף של קידוד (Comma-separated decoding Iterations to Codebook (4 ערכים).
`--seed`		זרעים אקראיים לתפוקה מחודשת.

Examples:

# Default: small-int4, ~10 s wall on M-series for a 30 s clip
speech compose "happy rock" -o happy_rock.wav

# Larger model — better prompt following, slower
speech compose "lo-fi hip hop with mellow piano" --variant medium-int4 -o lofi.wav

# Reproducible
speech compose "energetic EDM with synth lead" --seed 42 -o edm.wav

תרגום לעברית עבור:

תסבירו את מנהל הקבצים של אודיו; המודל טעון פעם אחת.

speech transcribe-batch <input-dir> [options]

אפשרות	Default	תיאור תיאור
`<input-dir>`		Directory of אודיו קבצים to transcribe (WAV, FLAC וכו ')
`--output-dir`		שם מקור: Output Directory for the tags
`--engine`	`qwen3`	ASR מנוע (ערכים כמו transcribe)
`--jsonl`		תוצאות חיפוש כקווי JSON, אחד לקובץ

שחזור

נאום שחזור (denoise + dereverb) עם Sidon CoreML, 48 kHz פלט.

speech restore <audio-file> [options]

אפשרות	Default	תיאור תיאור
`--output, -o`	`input_restored.wav`	Output WAV נתיב קובץ (48 kHz)
`--variant`	`fp16`	המונחים: ESA
`--compute-units`		Core ML מיקום עבור שני השלבים: Ane, gpu, cpu, all (default: vocoder gpu, Predictor Auto)

בנפרד

בנפרד מסלול מוסיקה לתוך גזעים (vocals, תופים, בס, אחר).

speech separate <input> [options]

אפשרות	Default	תיאור תיאור
`--stems`	`vocals,drums,bass,other`	Stems to לחלץ: שירה, תופים, בס, אחרים
`--engine`	`umx`	מנוע: umx (default) או htdemucs (איכות גבוהה יותר)
`--output-dir`		שם מקור: Output Directory for the tags

Upsample

Audio Super-resolution with FlashSR – One-שלב שטבע את AudioSR, 48 kHz.

speech upsample <audio-file> [options]

אפשרות	Default	תיאור תיאור
`--output, -o`	`hr.wav`	Output WAV נתיב קובץ (48 kHz)
`--variant`	`int4`	המונחים: ESA
`--seed`		עקבו אחרי resolutionisticפלט

qwen3-tts-coreml

Swift תמיכה 0.6B / B256 ו 1.7B / B1024 חבילות; 0.6B נשאר ברירת המחדל.הניסוי 1.7חבילת B ברירת מחדל CPU דורש מוכן 2048ערוצים Float32 .npy הדוברים הטמיעו באמצעות --speaker-embeddingGPU/ANE ו- iOS אימות נותרו נפרדים.

speech qwen3-tts-coreml "<text>" [options]

אפשרות	Default	תיאור תיאור
`--output, -o`	`output.wav`	Output WAV נתיב קובץ
`--language`	`english`	שפה בחוץ
`--model`		Hugging Face מודל מזהה
`--model-directory`	—	ערכת מודל מקומית: לוקח עדיפות על הורדת `--model`.
`--speaker-embedding`	—	מוכן Float32 `.npy` הדובר להטביע התאמה של רוחב המודל (1024 או 2048).

VOIN

טקסט-to-speech עם Microsoft VibeVoice (MLX).

speech vibevoice "<text>" --voice-cache <cache> [options]

אפשרות	Default	תיאור תיאור
`--voice-cache, -v`		קול מטמון בחשבונית-הקוד (required)
`--steps`		DPM-Solver Inference Steps (Higher=איכות טובה יותר)
`--cfg`	`1.3`	כוח הדרכה חינם Classifier
`--long-form`		סינתזה לטווח ארוך עבור טקסטים ארוכים

דיבוב-encode-דיבוב

Mint a VibeVoice cache מתוך הקלטה נוספת בתוספת תמליל.

speech vibevoice-encode-voice <input> "<transcript>" [options]

אפשרות	Default	תיאור תיאור
`<input>`		קובץ אודיו
`<transcript>`		תיאור של אודיו ההתייחסות (אנגלית בלבד)
`--output, -o`		שם מקור: Output Voice cache (.Safetensors)

תרגום מתרגם

תרגום טקסט לשפת מטרה עם MADLAD-400 (MLX).

speech translate "<text>" --to <lang> [options]

אפשרות	Default	תיאור תיאור
`--to, -t`		קוד שפה (ISO 639-1, למשל, es, zh, Ja)
`--stream`		אסימונים כמו שהם מקודמים
`--model`		Hugging Face מודל מזהה

תגית:

בחר מתוך תשובות מותרות באמצעות קלף-flash באופן מקומי על Apple Silicon תצוגה מקדימה לפיתוח.

speech clef decide request.json
speech clef decide request.json --model-dir /path/to/Clef-flash-9B-MLX-4bit
speech clef decide request.json --offline --max-tokens 4096

הבקשה מכילה טקסט state והורה questions לכל שדה יש שדה id ו type: choice עם A choices מפה, noul אמת / אמת, או score עם הוראה levelsOutput הוא JSON עם הסתברות, תשובות נבחרות, ספירת אסימונים, זמן עומס מודלים וזמן קבלת ההחלטות.

כברירת מחדל, הפקודה מורידה aufklarer/Clef-flash-9B-MLX-4bitשימוש --model-dir לקבצים קיימים או --offline עבור ה- cache.The token Limit ברירת מחדל 4096 ומקבל 1-16384. מדריך קלף לבקשה מלאה ושימוש בזיכרון נמדד.

תגית: ger

סיווג טקסט מותנה וישות מתפרסמת עם GLiNER2.5-Decide (MLX).

speech gliner classify "<text>" --labels <a,b,c> [options]
speech gliner extract "<text>" --labels <a,b,c> [options]

אפשרות	Default	תיאור תיאור
`--variant`	int8	משקלים שפורסמו להורדה: fp32, fp16 או int8
`--model`		Hugging Face repository Override
`--model-dir`		מנהל מודל מקומי במקום להוריד
`--labels`		תוויות המועמדים המפוחדות (1 עד 255, נפרדות)
`--description`		תיאור תוויות=טקסט; Reable
`--task`	פעולה	שם המשימה ב-schema Direct (מסווג רק)
`--threshold`	0.5	ציון מינימום (extract בלבד)
`--evaluate-layers`		להעריך שכבות אחד בכל פעם כדי להפחית את הזיכרון
`--json`		ג'ייסון עם כל הסתברות, או משתרע עם UTF-16 offsets, בתוספת תזמון

המונחים: avatar-motion

צור NVIDIA Audio2Face-3D מסגרת יעילה של vatar-motion מ אודיו דיבור.

speech avatar-motion <input> [options]

אפשרות	Default	תיאור תיאור
`--output, -o`	`avatar-motion.jsonl`	כתובת JSONL
`--model`	`…James-MLX`	חבילת הזהות של Avatar (ג'יימס ברירת מחדל; קלייר ומארק זמינים)
`--verbose`		תזמון הדפסה וספירות מסגרת

MOSS-TTS-Nano

השתמש --voice-sample עבור שיבוט קול; אין צורך בתעתיק ההתייחסות.הפניות מונופלות לסטריאו, מופצות ל-48 kHz ונצמדות לגבול 80 מ'. Encode acall a once and reuses את הקודים שלה על פני בקשות.

speech speak "Hello world." --engine moss-nano -o hello.wav
speech speak "The weather is nice today." --engine moss-nano \
  --voice-sample reference.wav --moss-nano-seed 1 -o cloned.wav
speech speak "Hello world." --engine moss-nano --stream --play -o streamed.wav

`--moss-nano-model`	Aufklarer/MOSS-TTS-Nano-100M-CoreML	דגם Repository או מנהל מקומי
`--moss-nano-compute-units`	cpu	cpu או gpu
`--moss-nano-max-frames`	300	מקסימום 80 מ"מ מסגרת; ה- EOS הטבעי נדרש
`--moss-nano-seed`	0	Reproducable Swift דגימת זרע

MOSS-TTS-Nano

אינדיאנית מקומית

עבור 12B, שוב ושוב סמנים סגורים כלי מיד לאחר שיחה מלאה, מאומתת נצרכת עם שיחת טלפון זו.הם לא יוצרים שיחה אחרת או משנים את טענותיה. Standalone סמנים וטיעונים ממותקים נשארים שגיאות; E4B

כדי לשמור על בקשות צ'אט מקומיות כושלות, להגדיר failureCaptureDirectory בהקצאת ההקצאה, לכידת היא כברירת מחדל.המנהל חייב להכחיש קבוצה וגישה אחרת; מנהלים חדשים משתמשים בדירקטוריון חדש משתמשים 0700 קבצי כישלון משתמשים 0600קבצים כוללים את גוף הבקשה המדויק, בקשה מזהה וטעייה.שלמו 12B דורות גם לשמור על הזיהוי, זיהויים אסימונים, פלטי גלם ופתרון לפני הפיצות. E4B כשלים אינם מכילים תיעוד של דור גולמי.קבצים מקומיים אלה מכילים שיחות ותכנים בכליים; שגיאות HTTP ובקשות מוצלחות אינם כוללים אותם.

הסוכן האופטימי טוען כי הוא מוקרן Gemma 4 12B Unified INT4 מודל טקסט לצד E4Bהשתמש במודל: "gemma4-12b-itעבור צ'אט עם כלים מקומיים, תוצאות היסטוריה וביטול. E4B נשאר זמין עבור בקשות אחרות. Gemma4UnifiedChat שימוש ב- pinned MLX יישום טקסט ומשחרר כל אחד מהבקשות של KV cache. Response parsing מסיר ערוץ דלימירים מטקסט מוחזר.המכונים נדריני כלי נדחו כתגובה מופרכת.

מקור: Get Get --inference-manifest מודלים: ג'ייסון לטעון Gemma 4 E4B INT4, VoxCPM2מלא, Whisper Large-v3ו Silero VADשירות זה מתחיל במצב לא מקוון ודוחק זהויות מודל לא מקבילות.

speech-server --inference-manifest models.json --port 8080

API פרטים

Voxtral TTS

Voxtral 4B TTS 2603 פועל באופן מקומי על Apple Silicon דרך מודול Voxtral TTS: 20 קולות מוקדמים, תשע שפות ו-24 דיבור מונו הרץ.

speech speak "Hello, welcome to Voxtral." --engine voxtral --voxtral-voice casual_male --stream --voxtral-chunk-frames 3 -o hello.wav
speech speak --engine voxtral --list-speakers
speech speak "Bonjour." --engine voxtral --voxtral-voice fr_female --voxtral-max-frames 500 --voxtral-seed 0 -o bonjour.wav

קולות מוקדמים בלבד; שיבוט הפניה-קולי אינו זמין. SDKCLI, WebSocket ו-HTTP PCM. לספק את הטקסט המלא של קלט למעלה הקדמי.מודל משקולות להשתמש CC BY-NC 4.0.

קרא את Voxtral TTSמדריך

Fish Audio דרמה 3

תמיכה ניסיונית MLX לדרמה 3 זמינה דרך FishAudioDrama3ModelA 35B Hybrid-attention MoE backbone, מגדל אודיו זמני ו- Fish DAC Codec לייצר 44.1 אודיו מונו הרץ 4מחסוםביט עבר גלפור ועצמאי ASR בדיקות עבור דור טקסט בלבד, הפנה משובץ ו- CLI פלט על Apple M5 Pro. 8-bit and BF16 נשאר בלתי חוקי.

מצב זיכרון balanced הוא ברירת המחדל של Idle MLX buffers מפורקים מעל 512 MiB בגבולות שלב; זה לא גבול כולל של כלכלטורים הגלובלי נשאר ללא שינוי. --fish-drama3-memory-mode unrestricted או או memoryOptions: .unrestricted לטעינה נלהבת ולהתנהגות הגילוח הקודמת.

דור טקסט בלבד מפרש 794.4 MiB של משקל קודר.המונח הראשון נטען ושומר אותם, כך לשמור codec.safetensors זמין עד אז.computed קודים לא צריך את הקידוד.

לספק טקסט מלא קלט. Voice Cloing דורש וידאו הפניה ואת תמליל המדויק שלה תגים 0-15 ורגשות פנימיים נתמכות. generateStreaming, generateStream ו --streamברירת המחדל מכילה 3 מסגרות קודק, על 139 ms של אודיו.לחתוך טקסט מהיר וזרימה קלט טקסט נשאר בלתי זמין.

speech speak "Hello from Drama 3." --engine fish-drama3 --fish-drama3-bundle-dir /path/to/bundle -o hello.wav
speech speak "Hello from Drama 3." --engine fish-drama3 --stream --fish-drama3-chunk-frames 3 -o streamed.wav
speech speak "Hello in the reference voice." --engine fish-drama3 --voice-sample reference.wav --fish-drama3-reference-text "The exact reference transcript." --seed 42 -o cloned.wav

import FishAudioTTS
let model = try await FishAudioDrama3Model.fromBundle(bundleURL, memoryOptions: .balanced)
let pcm = try await model.generate(text: "Hello from Drama 3.", options: .init(seed: 42))

אפשרות	Default
`--fish-drama3-model-id`	`mlx-community/fish-audio-drama-3-4bit`
`--fish-drama3-bundle-dir`	`—`
`--fish-drama3-reference-text`	`—`
`--fish-drama3-max-frames`	`2048`
`--fish-drama3-temperature`	`1`
`--fish-drama3-top-k`	`30`
`--fish-drama3-top-p`	`0.9`
`--voice-sample`	`—`
`--seed`	`0`
`--stream`	`false`
`--fish-drama3-chunk-frames`	`3`
`--fish-drama3-memory-mode`	`balanced`

נבנה עם Fish Audio. Bundles לשמור על רישיון הקהילה ו הערה.

4-bit Index