⚠ अनुवाद पुराना है

VoiceChat टूल कॉल और प्रदर्शन की नवीनतम जानकारी के लिए अंग्रेज़ी संस्करण देखें।

CLI संदर्भ

speech बाइनरी सभी स्पीच प्रोसेसिंग कार्यों के लिए मुख्य एंट्री पॉइंट है। make build से बिल्ड करें, फिर .build/release/speech से चलाएँ।

transcribe

ऑडियो फ़ाइलों को टेक्स्ट में ट्रांसक्राइब करें।

speech transcribe <file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<file>`		ट्रांसक्राइब करने के लिए ऑडियो फ़ाइल (WAV, M4A, MP3, CAF)
`--engine`	`qwen3`	ASR इंजन: `qwen3`, `qwen3-coreml`, `parakeet`, `nemotron`, `omnilingual`, `cohere`, `voxtral`, `moss`, `whisper`
`--model, -m`	`0.6B`	मॉडल वैरिएंट: `0.6B`, `1.7B`, या पूर्ण HuggingFace मॉडल ID (केवल qwen3) `[whisper]`: `default`, `turbo`, or full CoreML HuggingFace repo ID. `[cohere/voxtral]`: INT5 (डिफ़ॉल्ट), INT8, FP16, Hugging Face मॉडल ID या स्थानीय डायरेक्टरी. `[moss coreml]`: `int8` (डिफ़ॉल्ट) या `fp16`; `[moss mlx]`: `int5` (डिफ़ॉल्ट) या `int8`। संगत Hugging Face repository ID या local directory भी स्वीकार है।
`--max-tokens`	CoreML: `512` MLX: `5120`	`[moss]` द्वारा बनाए जाने वाले transcription tokens की अधिकतम संख्या।
`--kv-cache`	`fp16`	`[moss mlx]` dynamic KV-cache precision: `fp16` या `int8`।
`--language`		भाषा संकेत (वैकल्पिक, omnilingual द्वारा अनदेखा)
`--window`	`10`	`[omnilingual]` CoreML विंडो आकार सेकंड में: `5` या `10`
`--backend`	`coreml`	`[omnilingual]` बैकएंड: `coreml` (Neural Engine) या `mlx` (Metal GPU) `[moss]` CoreML fixed 1,024-token state उपयोग करता है; MLX dynamic 131,072-token context देता है।
`--variant`	`300M`	`[omnilingual mlx]` आकार: `300M`, `1B`, `3B`, या `7B`
`--bits`	`4`	`[omnilingual mlx]` क्वांटिज़ेशन बिट्स: `4` या `8`
`--stream`		VAD के साथ स्ट्रीमिंग ट्रांसक्रिप्शन सक्षम करें
`--max-segment`	`10`	अधिकतम सेगमेंट अवधि सेकंड में (स्ट्रीमिंग)
`--partial`		स्पीच के दौरान पार्शियल परिणाम जारी करें (स्ट्रीमिंग)

उदाहरण:

# बेसिक ट्रांसक्रिप्शन
speech transcribe recording.wav

# बड़े मॉडल का उपयोग करें
speech transcribe recording.wav --model 1.7B

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

# Parakeet (CoreML) इंजन का उपयोग करें
speech transcribe recording.wav --engine parakeet

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

# Omnilingual (MLX, 40 s तक कोई भी लंबाई)
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, डिफ़ॉल्ट INT5)
speech transcribe recording.wav --engine cohere
speech transcribe recording.wav --engine cohere --model int8 --language de

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

# MOSS Transcribe Diarize (छोटे audio के लिए CoreML)
speech transcribe recording.wav --engine moss
speech transcribe recording.wav --engine moss --model fp16

# MOSS Transcribe Diarize (MLX 128K offline context; INT5 डिफ़ॉल्ट)
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

# VAD के साथ स्ट्रीमिंग
speech transcribe recording.wav --stream --partial

align

शब्द-स्तरीय फ़ोर्स्ड अलाइनमेंट — हर शब्द के लिए सटीक टाइमस्टैम्प प्राप्त करें।

speech align <file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<file>`		ऑडियो फ़ाइल
`--text, -t`		अलाइन करने के लिए टेक्स्ट (अगर नहीं दिया, तो पहले ट्रांसक्राइब करता है)
`--model, -m`	`0.6B`	ट्रांसक्रिप्शन के लिए ASR मॉडल: `0.6B`, `1.7B`, या पूर्ण ID
`--aligner-model`		फ़ोर्स्ड अलाइनर मॉडल ID
`--language`		भाषा संकेत

उदाहरण:

# ऑटो-ट्रांसक्राइब फिर अलाइन करें
speech align recording.wav

# ज्ञात टेक्स्ट के साथ अलाइन करें
speech align recording.wav --text "Can you guarantee that the replacement part will be shipped tomorrow?"

speak

टेक्स्ट-टू-स्पीच संश्लेषण।

speech speak "<text>" [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<text>`		संश्लेषण करने के लिए टेक्स्ट (यदि `--batch-file` उपयोग कर रहे हैं तो वैकल्पिक)
`--engine`	`qwen3`	TTS इंजन: `qwen3`, `cosyvoice`, `voxcpm2`, `indextts2`, `f5`, `higgs`, `indic-mio`, `magpie`, या `magpie-coreml`
`--output, -o`	`output.wav`	आउटपुट WAV फ़ाइल पथ
`--language`	`english`	भाषा। जब `--speaker` सेट हो तो स्पीकर की मूल बोली का उपयोग करने के लिए छोड़ दें।
`--stream`		स्ट्रीमिंग संश्लेषण सक्षम करें
`--voice-sample`		वॉयस क्लोनिंग के लिए reference audio (`qwen3`, `cosyvoice`, `voxcpm2`, `f5`, `higgs`, और `indextts2` के साथ काम करता है)
`--verbose`		विस्तृत समय जानकारी दिखाएँ

Qwen3-TTS विकल्प

विकल्प	डिफ़ॉल्ट	विवरण
`--model`	`base`	मॉडल वैरिएंट: `base`, `customVoice`, या पूर्ण HF मॉडल ID
`--speaker`		स्पीकर वॉयस (`--model customVoice` आवश्यक)
`--instruct`		स्टाइल निर्देश (CustomVoice मॉडल)
`--list-speakers`		उपलब्ध स्पीकर सूचीबद्ध करें और बाहर निकलें
`--temperature`	`0.3`	सैंपलिंग तापमान
`--top-k`	`50`	Top-k सैंपलिंग
`--max-tokens`	`500`	अधिकतम टोकन (500 = ~40s ऑडियो)
`--batch-file`		बैच संश्लेषण के लिए प्रति पंक्ति एक टेक्स्ट वाली फ़ाइल
`--batch-size`	`4`	समानांतर जनरेशन के लिए अधिकतम बैच आकार
`--first-chunk-frames`	`3`	पहले स्ट्रीम किए गए चंक में codec फ़्रेम
`--chunk-frames`	`25`	प्रति स्ट्रीम किए गए चंक codec फ़्रेम

CosyVoice3 विकल्प

विकल्प	डिफ़ॉल्ट	विवरण
`--speakers`		मल्टी-स्पीकर डायलॉग के लिए स्पीकर मैपिंग: `s1=alice.wav,s2=bob.wav`
`--cosy-instruct`		स्टाइल निर्देश (डिफ़ॉल्ट को ओवरराइड करता है)। CosyVoice3 के लिए वॉयस स्टाइल को नियंत्रित करता है।
`--turn-gap`	`0.2`	डायलॉग टर्न के बीच मौन अंतराल सेकंड में
`--crossfade`	`0.0`	टर्न के बीच क्रॉसफ़ेड ओवरलैप सेकंड में
`--model-id`		HuggingFace मॉडल ID

IndexTTS2 विकल्प

IndexTTS2 expanded MLX bundle पर आधारित zero-shot voice-cloning engine है। इसके लिए --voice-sample आवश्यक है और अभी यह केवल batch synthesis चलाता है।

विकल्प	डिफ़ॉल्ट	विवरण
`--indextts2-model-id`	`aufklarer/IndexTTS2-MLX-fp16`	HuggingFace model ID। डिफ़ॉल्ट `aufklarer/IndexTTS2-MLX-fp16` है।
`--indextts2-bundle-dir`		Hugging Face से डाउनलोड करने के बजाय local expanded bundle लोड करें।
`--indextts2-emotion-audio`		वैकल्पिक emotion/style reference audio। डिफ़ॉल्ट speaker reference है।
`--indextts2-emotion`		वैकल्पिक preset या 8-value emotion vector। Presets में `eager`, `happy`, `excited`, और `calm` शामिल हैं।
`--indextts2-emotion-weight`	`1.0`	`--indextts2-emotion` को scale करता है; speaker identity महत्वपूर्ण हो तो modest रखें।
`--indextts2-speaking-rate`	`1.0`	`0.5` से `1.5` तक speaking-rate multiplier; `1.0` से ऊपर तेज़ है।
`--indextts2-max-pause`		लंबे internal low-energy pauses के लिए वैकल्पिक सीमा, seconds में।
`--indextts2-s2mel-steps`	`15`	S2Mel फ़्लो चरण (डिफ़ॉल्ट 15, सुनकर सत्यापित; 25 अपस्ट्रीम से हूबहू)

F5-TTS विकल्प

विकल्प	डिफ़ॉल्ट	विवरण
`--f5-reference-text`		संदर्भ ट्रांसक्रिप्ट: --voice-sample की पाठ्य सामग्री (अनिवार्य)
`--f5-steps`	`16`	फ़्लो मैचिंग चरण (डिफ़ॉल्ट 16; अधिकतम निष्ठा हेतु 32)
`--f5-cfg-strength`	`2.0`	क्लासिफ़ायर-मुक्त गाइडेंस तीव्रता
`--f5-sway`	`-1.0`	Sway सैंपलिंग गुणांक
`--f5-speed`	`1.0`	वाक्-गति गुणक
`--f5-seed`	`0`	नियतात्मक आउटपुट हेतु सीड
`--f5-target-rms`	`0.1`	संदर्भ RMS सामान्यीकरण लक्ष्य
`--f5-model-id`		Hugging Face मॉडल ID
`--f5-bundle-dir`		इस स्थानीय डायरेक्टरी से बंडल लोड करें

Higgs TTS 3 विकल्प

विकल्प	डिफ़ॉल्ट	विवरण
`--higgs-ref-text`		संदर्भ ट्रांसक्रिप्ट: --voice-sample की पाठ्य सामग्री (क्लोनिंग बेहतर होती है)
`--higgs-temperature`	`0.8`	सैंपलिंग तापमान (डिफ़ॉल्ट 0.8)
`--higgs-top-p`		न्यूक्लियस सैंपलिंग सीमा (डिफ़ॉल्ट बंद)
`--higgs-top-k`		Top-k सैंपलिंग कटऑफ़ (डिफ़ॉल्ट बंद)
`--higgs-max-new-tokens`	`2048`	अधिकतम उत्पन्न ऑडियो फ़्रेम (25 प्रति सेकंड)
`--higgs-seed`	`0`	नियतात्मक आउटपुट हेतु सीड
`--higgs-model-id`		Hugging Face मॉडल ID
`--higgs-bundle-dir`		इस स्थानीय डायरेक्टरी से बंडल लोड करें

उदाहरण:

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

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

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

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

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

# इनलाइन इमोशन/स्टाइल टैग
speech speak "(excited) Wow, amazing! (sad) But I have to go..." \
    --engine cosyvoice -o emotion.wav

# संयुक्त: डायलॉग + इमोशन + वॉयस क्लोनिंग
speech speak "[S1] (happy) Great news! [S2] (surprised) Really?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o combined.wav

# कस्टम स्टाइल निर्देश
speech speak "Hello world" --engine cosyvoice --cosy-instruct "Speak cheerfully" -o cheerful.wav

# स्ट्रीमिंग संश्लेषण
speech speak "Long text here..." --stream

# फ़ाइल से बैच संश्लेषण
speech speak --batch-file texts.txt --batch-size 4

kokoro

Neural Engine (CoreML) पर Kokoro-82M का उपयोग करके हल्का टेक्स्ट-टू-स्पीच। नॉन-ऑटोरिग्रेसिव — एकल फ़ॉरवर्ड पास, ~45ms लेटेंसी।

speech kokoro "<text>" [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<text>`		संश्लेषण करने के लिए टेक्स्ट
`--voice`	`af_heart`	वॉयस प्रीसेट (10 भाषाओं में 50 उपलब्ध)
`--language`	`en`	भाषा कोड: en, es, fr, hi, it, ja, pt, zh, ko, de
`--output, -o`	`kokoro_output.wav`	आउटपुट WAV फ़ाइल पथ
`--list-voices`		सभी उपलब्ध वॉयस सूचीबद्ध करें और बाहर निकलें
`--model, -m`		HuggingFace मॉडल ID

उदाहरण:

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

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

# सभी 50 वॉयस सूचीबद्ध करें
speech kokoro --list-voices

respond

PersonaPlex 7B का उपयोग करके फुल-डुप्लेक्स स्पीच-टू-स्पीच डायलॉग।

speech respond [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--input, -i`		इनपुट ऑडियो WAV फ़ाइल (24kHz मोनो) (आवश्यक)
`--output, -o`	`response.wav`	आउटपुट रिस्पॉन्स WAV फ़ाइल
`--voice`	`NATM0`	वॉयस प्रीसेट (जैसे NATM0, NATF1, VARF0)
`--system-prompt`	`assistant`	प्रीसेट: `assistant`, `focused`, `customer-service`, `teacher`
`--system-prompt-text`		कस्टम सिस्टम प्रॉम्प्ट टेक्स्ट (प्रीसेट को ओवरराइड करता है)
`--max-steps`	`200`	12.5Hz पर अधिकतम जनरेशन स्टेप्स (~16s)
`--stream`		जनरेशन के दौरान ऑडियो चंक्स जारी करें
`--compile`		संकलित ट्रांसफ़ॉर्मर सक्षम करें (warmup + kernel fusion)
`--list-voices`		उपलब्ध वॉयस प्रीसेट सूचीबद्ध करें
`--list-prompts`		उपलब्ध सिस्टम प्रॉम्प्ट प्रीसेट सूचीबद्ध करें
`--transcript`		मॉडल का इनर मोनोलॉग टेक्स्ट प्रिंट करें
`--json`		JSON के रूप में आउटपुट (ट्रांसक्रिप्ट, लेटेंसी, ऑडियो पथ)
`--verbose`		विस्तृत समय जानकारी दिखाएँ

सैंपलिंग ओवरराइड्स

विकल्प	डिफ़ॉल्ट	विवरण
`--audio-temp`	`0.8`	ऑडियो सैंपलिंग तापमान
`--text-temp`	`0.7`	टेक्स्ट सैंपलिंग तापमान
`--audio-top-k`	`250`	ऑडियो top-k उम्मीदवार
`--repetition-penalty`	`1.2`	ऑडियो पुनरावृत्ति दंड (1.0 = अक्षम)
`--text-repetition-penalty`	`1.2`	टेक्स्ट पुनरावृत्ति दंड (1.0 = अक्षम)
`--repetition-window`	`30`	फ़्रेमों में पुनरावृत्ति दंड विंडो
`--silence-early-stop`	`15`	जल्दी रुकने से पहले मौन फ़्रेम (0 = अक्षम)
`--entropy-threshold`	`0`	जल्दी रुकने के लिए टेक्स्ट एंट्रॉपी थ्रेशोल्ड (0 = अक्षम)
`--entropy-window`	`10`	जल्दी रुकने से पहले लगातार लो-एंट्रॉपी स्टेप्स

उदाहरण:

# बेसिक स्पीच-टू-स्पीच
speech respond --input question.wav

# संकलित ट्रांसफ़ॉर्मर के साथ महिला आवाज़ का उपयोग करें
speech respond -i question.wav --voice NATF1 --compile

# रिस्पॉन्स स्ट्रीम करें और ट्रांसक्रिप्ट दिखाएँ
speech respond -i question.wav --stream --transcript --verbose

voice-chat

NVIDIA Nemotron VoiceChat 11B पर आधारित Soniqo के साथ लाइव full-duplex बातचीत। डिफ़ॉल्ट protected-head INT5 bundle पहली बार उपयोग पर download होता है; microphone mode Apple AEC, streaming RNN-T captions, स्पष्ट realtime metrics, adaptive 8→2→1-step voice refinement और लंबे silent catch-up के बजाय bounded input resync देता है।

speech voice-chat [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--model, -m`	`aufklarer/VoiceChat-11B-Perception-MLX-int5`	Hugging Face model ID या पूरा local bundle।
`--revision`	`main`	Hub revision।
`--system-prompt`		System prompt बदलें।
`--mcp-config`		MCP tool servers के लिए सामान्य JSON configuration।
`--mcp-server`	सभी configured	एक server चुनें; दोहराया जा सकता है।
`--mcp-write-policy`	`allow`	Write policy: तुरंत `allow`, मॉडल-आधारित `confirm`, या `deny`।
`--mcp-timeout-seconds`	`15`	MCP tool-call timeout; server startup को कम-से-कम 60 सेकंड मिलते हैं।
`--greet`		Model को पहले greet करने दें।
`--no-aec`		Apple acoustic echo cancellation बंद करें।
`--no-transcript`		Live RNN-T user captions बंद करें।
`--no-rnnt-turn-taking`		NVIDIA RNN-T turn-taking safety fallbacks बंद करें।
`--prebuffer-frames`	`3`	Playback से पहले buffer किए जाने वाले 80 ms output frames।
`--max-buffered-frames`	`8`	पुराना audio हटाने से पहले अधिकतम queued 80 ms microphone frames।
`--max-seconds`		इतने seconds बाद live capture रोकें।
`--input`		Microphone के बजाय audio file पढ़ें।
`--output, -o`		Full-context 22.05 kHz WAV लिखें।
`--tail-seconds`	`6`	File input के बाद जोड़ी गई silence।
`--force-turn-at-end`		File EOF पर BOS force करें; केवल regression।
`--plain`		स्थिर redraw dashboard के बजाय append-only output का उपयोग करें।
`--debug-timeline`		वाक्यों और generated pronunciation के अंत के relative timestamp तथा model-decoded tool-call lifecycle event दिखाएँ।
`--terminal-width`	`120`	Terminal display width।
`--temperature`	`0`	Text temperature; 0 greedy है।
`--text-top-p`	`1`	Text top-p।
`--guidance`	`0.2`	EAR-TTS guidance strength।
`--speech-top-p`	`0.95`	EAR-TTS top-p।
`--speech-noise`	`0.001`	EAR-TTS sampling noise।
`--speech-iterations`	`8`	प्रति frame EAR-TTS MaskGIT iterations।
`--realtime-speech-iterations`	`2`	Realtime speed बचाने के लिए अस्थायी voice-refinement iterations।
`--live-speech-context-seconds`	`20`	Live mode में रखा गया हाल का EAR-TTS इतिहास; 0 पूरा इतिहास रखता है।

उदाहरण:

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

File mode audio hardware के बिना reproducible path है। --force-turn-at-end केवल controlled regression tests के लिए है और इसे natural turn-taking latency के रूप में report नहीं करना चाहिए।

Apple Reminders demo केवल list_reminders, create_reminder और update_reminder दिखाता है; सूची खोज अडैप्टर के भीतर रहती है। एक समतल read सभी सूचियों को कवर करता है और update बोले गए नाम को रनटाइम में निजी ID से जोड़ता है। डैशबोर्ड function decoding का समय, token steps और token/s ऑडियो RTF से अलग दिखाता है।

vad

Pyannote सेगमेंटेशन का उपयोग करके ऑफ़लाइन वॉयस एक्टिविटी डिटेक्शन।

speech vad <file> [options]

विकल्प	विवरण
`<file>`	विश्लेषण करने के लिए ऑडियो फ़ाइल
`--model, -m`	HuggingFace मॉडल ID
`--onset`	Onset थ्रेशोल्ड (स्पीच प्रारंभ)
`--offset`	Offset थ्रेशोल्ड (स्पीच समाप्ति)
`--min-speech`	न्यूनतम स्पीच अवधि सेकंड में
`--min-silence`	न्यूनतम मौन अवधि सेकंड में
`--json`	JSON के रूप में आउटपुट

vad-stream

Silero VAD v5 का उपयोग करके स्ट्रीमिंग वॉयस एक्टिविटी डिटेक्शन। ऑडियो को 32ms चंक्स में प्रोसेस करता है।

speech vad-stream <file> [options]

विकल्प	विवरण
`<file>`	विश्लेषण करने के लिए ऑडियो फ़ाइल
`--engine`	VAD इंजन: `mlx` (डिफ़ॉल्ट) या `coreml`
`--model, -m`	HuggingFace मॉडल ID (इंजन द्वारा स्वतः चयनित)
`--onset`	Onset थ्रेशोल्ड
`--offset`	Offset थ्रेशोल्ड
`--min-speech`	न्यूनतम स्पीच अवधि सेकंड में
`--min-silence`	न्यूनतम मौन अवधि सेकंड में
`--json`	JSON के रूप में आउटपुट

wake

KWS Zipformer का उपयोग करके ऑन-डिवाइस कीवर्ड स्पॉटिंग (3.49M पैरामीटर, CoreML INT8, 26× रियल-टाइम, केवल अंग्रेज़ी)।

speech wake <file> [options]

विकल्प	विवरण
`<file>`	विश्लेषण करने के लिए ऑडियो फ़ाइल
`--keywords`	एक या अधिक कीवर्ड। प्रारूप: `"hey soniqo"`, `"hey soniqo:0.15:0.5"` या `"LIGHT UP\|▁ L IGHT ▁UP:0.25:2.0"` (स्पष्ट BPE टुकड़ों के साथ sherpa-onnx शैली)
`--keywords-file`	कीवर्ड फ़ाइल, प्रति पंक्ति एक प्रविष्टि
`--model, -m`	HuggingFace मॉडल ID। डिफ़ॉल्ट: `aufklarer/KWS-Zipformer-3M-CoreML-INT8`
`--json`	JSON के रूप में आउटपुट

diarize

स्पीकर डायराइज़ेशन — पहचानें कि कौन कब बोला।

speech diarize <file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<file>`		विश्लेषण करने के लिए ऑडियो फ़ाइल
`--engine`	`pyannote`	डायराइज़ेशन इंजन: `pyannote`, `community1` (CoreML + native PLDA/VBx), या `sortformer`
`--community1-compute-units`	`ane`	Community-1 CoreML compute units: `ane`, `cpu`, `gpu`, या `all`
`--num-speakers`		Community-1 के लिए ज्ञात सटीक speaker count
`--min-speakers`	`1`	Community-1 के लिए न्यूनतम speaker count
`--max-speakers`		Community-1 के लिए अधिकतम speaker count
`--target-speaker`		लक्ष्य स्पीकर निष्कर्षण के लिए एनरोलमेंट ऑडियो (केवल pyannote)
`--embedding-engine`	`mlx`	स्पीकर एम्बेडिंग इंजन: `mlx` या `coreml` (केवल pyannote)
`--vad-filter`		Silero VAD के साथ प्री-फ़िल्टर (केवल pyannote)
`--rttm`		RTTM फ़ॉर्मेट में आउटपुट
`--json`		JSON के रूप में आउटपुट
`--score-against`		DER गणना के लिए संदर्भ RTTM फ़ाइल

उदाहरण:

# बेसिक डायराइज़ेशन (pyannote, डिफ़ॉल्ट)
speech diarize meeting.wav

# एंड-टू-एंड Sortformer (CoreML, Neural Engine)
speech diarize meeting.wav --engine sortformer

# मूल्यांकन के लिए RTTM आउटपुट
speech diarize meeting.wav --rttm

# लक्ष्य स्पीकर निष्कर्षण (केवल pyannote)
speech diarize meeting.wav --target-speaker enrollment.wav

# संदर्भ के विरुद्ध स्कोर
speech diarize meeting.wav --score-against reference.rttm

embed-speaker

ऑडियो से एक स्पीकर एम्बेडिंग वेक्टर निकालें।

speech embed-speaker <file> [options]

विकल्प	विवरण
`<file>`	स्पीकर वॉयस युक्त ऑडियो फ़ाइल
`--engine`	WeSpeaker 256-dim के लिए `mlx` (डिफ़ॉल्ट) या `coreml`; persistent identity CoreML 192-dim के लिए `redimnet2`; CAM++ CoreML 192-dim के लिए `camplusplus`
`--json`	JSON के रूप में आउटपुट

language-id

ऑडियो फ़ाइल में बोली गई भाषा पहचानें।

speech language-id <file> [options]

विकल्प	विवरण
`<file>`	वर्गीकृत की जाने वाली ऑडियो फ़ाइल
`--engine`	इन्फ़रेंस इंजन: mlx या coreml
`--model`	Hugging Face मॉडल ID बदलें
`--top`	दिखाए जाने वाले भाषा उम्मीदवारों की संख्या
`--json`	परिणाम JSON में दें

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

denoise

Neural Engine पर DeepFilterNet3 का उपयोग करके बैकग्राउंड नॉइज़ हटाएँ।

speech denoise <file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`<file>`		इनपुट ऑडियो फ़ाइल
`--output, -o`	`input_clean.wav`	आउटपुट फ़ाइल पथ
`--model, -m`		HuggingFace मॉडल ID

उदाहरण:

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

compose

Generate 30 s of music from a text prompt using MAGNeT on MLX.

speech compose <prompt> [options]

Option	Default	Description
`<prompt>`		Text prompt describing the music to generate (e.g. "happy rock")
`--output, -o`	`magnet.wav`	Output WAV path (32 kHz mono)
`--variant`	`small-int4`	Model variant: `small-int4`, `small-int8`, `medium-int4`, or `medium-int8`. Resolves to `aufklarer/MAGNeT-{Small,Medium}-30secs-MLX-{4,8}bit`.
`--temperature`	`3.0`	Sampling temperature, annealed linearly per stage.
`--top-p`	`0.9`	Nucleus sampling threshold.
`--cfg-max`	`10.0`	Max classifier-free guidance coefficient.
`--cfg-min`	`1.0`	Min CFG coefficient (annealed alongside the mask schedule).
`--steps`	`20,10,10,10`	Comma-separated decoding iterations per codebook (4 values).
`--seed`		Random seed for reproducible output.

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

transcribe-batch

ऑडियो फ़ाइलों की पूरी डायरेक्टरी ट्रांसक्राइब करें; मॉडल केवल एक बार लोड होता है।

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

विकल्प	डिफ़ॉल्ट	विवरण
`<input-dir>`		ट्रांसक्राइब करने हेतु ऑडियो फ़ाइलों की डायरेक्टरी (WAV, FLAC आदि)
`--output-dir`		ट्रांसक्रिप्ट की आउटपुट डायरेक्टरी
`--engine`	`qwen3`	ASR इंजन (transcribe जैसे ही मान)
`--jsonl`		परिणाम JSON lines में, प्रति फ़ाइल एक पंक्ति

restore

Sidon से वाक् पुनर्स्थापन (शोर + प्रतिध्वनि हटाना) — CoreML, 48 kHz आउटपुट।

speech restore <audio-file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--output, -o`	`input_restored.wav`	आउटपुट WAV फ़ाइल पथ (48 kHz)
`--variant`	`fp16`	परिशुद्धता / बंडल वेरिएंट

separate

संगीत को स्टेम में अलग करें (vocals, drums, bass, other)।

speech separate <input> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--stems`	`vocals,drums,bass,other`	निकालने हेतु स्टेम: vocals, drums, bass, other
`--engine`	`umx`	इंजन: umx (डिफ़ॉल्ट) या htdemucs (बेहतर गुणवत्ता)
`--output-dir`		ट्रांसक्रिप्ट की आउटपुट डायरेक्टरी

upsample

FlashSR से ऑडियो सुपर-रेज़ोल्यूशन — एक-चरण डिस्टिल्ड AudioSR, 48 kHz आउटपुट।

speech upsample <audio-file> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--output, -o`	`hr.wav`	आउटपुट WAV फ़ाइल पथ (48 kHz)
`--variant`	`int4`	परिशुद्धता / बंडल वेरिएंट
`--seed`		नियतात्मक आउटपुट हेतु सीड

qwen3-tts-coreml

CoreML पर Qwen3-TTS से टेक्स्ट-टू-स्पीच (Neural Engine)।

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

विकल्प	डिफ़ॉल्ट	विवरण
`--output, -o`	`output.wav`	आउटपुट WAV फ़ाइल पथ
`--language`	`english`	आउटपुट भाषा
`--model`		Hugging Face मॉडल ID

vibevoice

Microsoft VibeVoice से टेक्स्ट-टू-स्पीच (MLX)।

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

विकल्प	डिफ़ॉल्ट	विवरण
`--voice-cache, -v`		vibevoice-encode-voice से बना वॉइस कैश (अनिवार्य)
`--steps`		DPM-Solver अनुमान चरण (अधिक चरण, बेहतर गुणवत्ता)
`--cfg`	`1.3`	क्लासिफ़ायर-मुक्त गाइडेंस तीव्रता
`--long-form`		लंबे पाठ हेतु खंडों में लॉन्ग-फ़ॉर्म संश्लेषण

vibevoice-encode-voice

संदर्भ रिकॉर्डिंग और ट्रांसक्रिप्ट से VibeVoice वॉइस कैश बनाएं।

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

विकल्प	डिफ़ॉल्ट	विवरण
`<input>`		संदर्भ ऑडियो फ़ाइल
`<transcript>`		संदर्भ ऑडियो की ट्रांसक्रिप्ट (केवल अंग्रेज़ी)
`--output, -o`		आउटपुट वॉइस कैश (.safetensors)

translate

MADLAD-400 से पाठ का लक्ष्य भाषा में अनुवाद (MLX)।

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

विकल्प	डिफ़ॉल्ट	विवरण
`--to, -t`		लक्ष्य भाषा कोड (ISO 639-1, जैसे es, zh, ja)
`--stream`		डिकोड होते समय टोकन स्ट्रीम करें
`--model`		Hugging Face मॉडल ID

avatar-motion

वाक् ऑडियो से NVIDIA Audio2Face-3D अवतार-मोशन गुणांक फ़्रेम बनाएँ।

speech avatar-motion <input> [options]

विकल्प	डिफ़ॉल्ट	विवरण
`--output, -o`	`avatar-motion.jsonl`	आउटपुट JSONL फ़ाइल पथ
`--model`	`…James-MLX`	अवतार पहचान बंडल (डिफ़ॉल्ट James; Claire और Mark उपलब्ध)
`--verbose`		समय और फ़्रेम संख्या दिखाएँ