อ้างอิง CLI

ไฟล์ปฏิบัติการ speech คือจุดเริ่มต้นหลักสำหรับงานประมวลผลเสียงพูดทั้งหมด คอมไพล์ด้วย make build แล้วรันจาก .build/release/speech

transcribe

ถอดไฟล์เสียงเป็นข้อความ

speech transcribe <file> [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<file>`		ไฟล์เสียงที่จะถอดเป็นข้อความ (WAV, M4A, MP3, CAF)
`--engine`	`qwen3`	เอนจิน ASR: `qwen3`, `qwen3-coreml`, `parakeet`, `nemotron` หรือ `omnilingual`
`--model, -m`	`0.6B`	รุ่นของโมเดล: `0.6B`, `1.7B` หรือ HuggingFace model ID แบบเต็ม (เฉพาะ qwen3)
`--language`		คำใบ้ภาษา (ไม่บังคับ ถูกข้ามโดย omnilingual)
`--window`	`10`	`[omnilingual]` ขนาดหน้าต่าง CoreML เป็นวินาที: `5` หรือ `10`
`--backend`	`coreml`	`[omnilingual]` Backend: `coreml` (Neural Engine) หรือ `mlx` (Metal GPU)
`--variant`	`300M`	`[omnilingual mlx]` ขนาด: `300M`, `1B`, `3B` หรือ `7B`
`--bits`	`4`	`[omnilingual mlx]` จำนวนบิตในการ quantize: `4` หรือ `8`
`--stream`		เปิดการถอดเสียงเป็นข้อความแบบสตรีมร่วมกับ VAD
`--max-segment`	`10`	ระยะเวลาสูงสุดของหนึ่งส่วน เป็นวินาที (streaming)
`--partial`		ส่งผลลัพธ์บางส่วนระหว่างกำลังพูด (streaming)

ตัวอย่าง:

# การถอดเสียงเป็นข้อความพื้นฐาน
speech transcribe recording.wav

# ใช้โมเดลใหญ่ขึ้น
speech transcribe recording.wav --model 1.7B

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

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

# ใช้ Nemotron Streaming (CoreML, ภาษาอังกฤษพร้อมเครื่องหมายวรรคตอนเนทีฟ)
speech transcribe recording.wav --engine nemotron                                 # batch
speech transcribe recording.wav --engine nemotron --stream --partial              # streaming

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

# Omnilingual (MLX, ความยาวเท่าใดก็ได้สูงสุด 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

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

align

การจัดเรียงแบบบังคับระดับคำ — รับ timestamp ที่แม่นยำสำหรับทุกคำ

speech align <file> [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<file>`		ไฟล์เสียง
`--text, -t`		ข้อความที่จะจัดเรียง (หากเว้นไว้ จะถอดเสียงเป็นข้อความก่อน)
`--model, -m`	`0.6B`	โมเดล ASR สำหรับการถอดเสียง: `0.6B`, `1.7B` หรือ ID แบบเต็ม
`--aligner-model`		ID ของโมเดล forced aligner
`--language`		คำใบ้ภาษา

ตัวอย่าง:

# ถอดเสียงเป็นข้อความอัตโนมัติแล้วจัดเรียง
speech align recording.wav

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

speak

การสังเคราะห์ข้อความเป็นเสียงพูด

speech speak "<text>" [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<text>`		ข้อความที่จะสังเคราะห์ (ไม่บังคับเมื่อใช้ `--batch-file`)
`--engine`	`qwen3`	เอนจิน TTS: `qwen3`, `cosyvoice`, `voxcpm2` หรือ `magpie`
`--output, -o`	`output.wav`	เส้นทางไฟล์ WAV เอาต์พุต
`--language`	`english`	ภาษา เว้นไว้เพื่อใช้สำเนียงเนทีฟของผู้พูดเมื่อตั้ง `--speaker` แล้ว
`--stream`		เปิดการสังเคราะห์แบบสตรีม
`--voice-sample`		เสียงอ้างอิงสำหรับการโคลนเสียง (ใช้ได้กับทั้งเอนจิน `qwen3` และ `cosyvoice`)
`--verbose`		แสดงข้อมูลเวลาอย่างละเอียด

ตัวเลือก Qwen3-TTS

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--model`	`base`	รุ่นของโมเดล: `base`, `customVoice` หรือ HF model ID แบบเต็ม
`--speaker`		เสียงผู้พูด (ต้องใช้ `--model customVoice`)
`--instruct`		คำสั่งสไตล์ (โมเดล CustomVoice)
`--list-speakers`		แสดงรายชื่อผู้พูดที่มีและออก
`--temperature`	`0.3`	อุณหภูมิการสุ่ม
`--top-k`	`50`	การสุ่ม Top-k
`--max-tokens`	`500`	token สูงสุด (500 = เสียงประมาณ 40s)
`--batch-file`		ไฟล์ที่มีข้อความหนึ่งบรรทัดต่อหนึ่งรายการเพื่อสังเคราะห์เป็นชุด
`--batch-size`	`4`	ขนาด batch สูงสุดสำหรับการสร้างแบบขนาน
`--first-chunk-frames`	`3`	จำนวนเฟรม codec ใน chunk สตรีมแรก
`--chunk-frames`	`25`	จำนวนเฟรม codec ต่อ chunk สตรีม

ตัวเลือก CosyVoice3

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--speakers`		การแมปผู้พูดสำหรับบทสนทนาหลายผู้พูด: `s1=alice.wav,s2=bob.wav`
`--cosy-instruct`		คำสั่งสไตล์ (เขียนทับค่าเริ่มต้น) ควบคุมสไตล์เสียงสำหรับ CosyVoice3
`--turn-gap`	`0.2`	ช่วงเงียบระหว่างเทิร์นของบทสนทนา เป็นวินาที
`--crossfade`	`0.0`	การ crossfade ที่ซ้อนทับระหว่างเทิร์น เป็นวินาที
`--model-id`		HuggingFace model ID

ตัวเลือก VoxCPM2

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--voxcpm2-variant`	`bf16`	รุ่นการ quantize: `bf16`, `int8` หรือ `int4` แมปไปยัง `aufklarer/VoxCPM2-MLX-<variant>`
`--voxcpm2-instruct`		คำอธิบายเสียงด้วยภาษาธรรมชาติ (การออกแบบเสียง) เช่น "a young woman, warm and gentle"
`--voxcpm2-ref-audio`		ไฟล์เสียงอ้างอิงสำหรับการโคลน (16 kHz mono ถูก resample ภายใน)
`--voxcpm2-prompt-audio` / `--voxcpm2-prompt-text`		คู่ "การโคลนระดับสูงสุด" — คลิปอ้างอิง + ข้อความที่ถอดของมันเพื่อโคลนโดยคงสำเนียง
`--voxcpm2-cfg-value`	`2.0`	ค่า classifier-free guidance สำหรับ diffusion sampler
`--voxcpm2-timesteps`	`10`	จำนวนขั้น Euler solver ต่อ patch เสียงที่ถูกสร้าง
`--voxcpm2-max-tokens`	`2000`	จำนวน patch สูงสุดก่อนจะถูกบังคับให้หยุด
`--voxcpm2-min-tokens`	`2`	จำนวน patch ต่ำสุดก่อนจะอนุญาตให้ stop head ทำงาน
`--seed`		seed RNG ของ MLX ก่อนการสังเคราะห์ (ให้ผลคงที่ระหว่างการรัน)

ตัวเลือก Magpie

NVIDIA Magpie-TTS Multilingual 357M, 9 ภาษา พร้อมผู้พูดสำเร็จ 5 คน เลือก backend ด้วย --engine magpie (MLX, ค่าเริ่มต้น) หรือ --engine magpie-coreml (CoreML สำหรับโมเดลใหญ่โดยมี MLX ขับเคลื่อน LocalTransformer + audio embedding) ดู คู่มือ Magpie สำหรับรายละเอียด G2P แยกตามภาษา ไม่รองรับการโคลนเสียง: --voice-sample, --speaker และ --instruct จะถูกปฏิเสธพร้อมข้อผิดพลาดที่ชี้ไปยัง --magpie-speaker

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--magpie-variant`	`int4`	เฉพาะ MLX การ quantize: `int4` (247 MB) หรือ `int8` (411 MB) แมปไปยัง `aufklarer/Magpie-TTS-Multilingual-357M-MLX-<variant>` เอนจิน CoreML ใช้ bundle CoreML INT8 และไม่สนใจ flag นี้
`--magpie-speaker`	`sofia`	ผู้พูดสำเร็จ: `sofia`, `aria`, `jason`, `leo` หรือ `john` เอกลักษณ์เสียงสม่ำเสมอใน 9 ภาษาและทั้งสอง backend
`--magpie-temperature`	`0.6`	อุณหภูมิการสุ่ม (0 = greedy) ใช้ `0.6` สำหรับภาษาญี่ปุ่น — greedy จะค้างที่วลีแรก
`--magpie-top-k`	`80`	ตัวกรอง top-k สำหรับการสุ่ม
`--magpie-max-frames`	`500`	เพดานคงที่ของเฟรม codec (~23 s)
`--magpie-min-frames`	`4`	จำนวนเฟรมต่ำสุดก่อนอนุญาต EOS
`--magpie-prephonemized`		ถือว่าอินพุตคือสตรีม IPA / phoneme; ข้าม G2P แยกตามภาษา
`--list-speakers`		พิมพ์ผู้พูดสำเร็จ 5 คนแล้วออก

ข้อควรระวังของ magpie-coreml: NanoCodec ที่มาด้วยถูก trace ที่หน้าต่างคงที่ 64 เฟรม จึงปฏิเสธ --stream --language ja จะ auto-route ไปยัง backend MLX พร้อมหมายเหตุที่ stderr (bundle CoreML ยังไม่มี tokenizer JA) เอนจิน CoreML จะ lazy-load bundle MLX ในการสังเคราะห์ครั้งแรกเพื่อขับเคลื่อน LocalTransformer และเฉลี่ย audio embedding; การ deploy แบบ CoreML ล้วนถูกติดตามเป็นงานต่อเนื่อง

ตัวอย่าง:

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

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

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

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

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

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

# รวมกัน: บทสนทนา + อารมณ์ + การโคลนเสียง
speech speak "[S1] (happy) Great news! [S2] (surprised) Really?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o combined.wav

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

# Magpie TTS หลายภาษา — เสียง Aria เดียวกันใน 9 ภาษา
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
# ภาษาญี่ปุ่นต้องการการสุ่มแบบ stochastic
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

# Backend Magpie CoreML (เร่งด้วย ANE, 8 ภาษา, ไม่มี 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
# ภาษาญี่ปุ่น auto-route ไปยัง MLX (bundle CoreML ไม่มี tokenizer JA)
speech speak "こんにちは。" --engine magpie-coreml --language ja -o ja.wav

# การสังเคราะห์แบบสตรีม
speech speak "Long text here..." --stream

# การสังเคราะห์เป็นชุดจากไฟล์
speech speak --batch-file texts.txt --batch-size 4

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

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

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

kokoro

TTS แบบเบาโดยใช้ Kokoro-82M บน Neural Engine (CoreML) ไม่ใช่ autoregressive — forward pass ครั้งเดียว ความหน่วงประมาณ 45ms

speech kokoro "<text>" [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<text>`		ข้อความที่จะสังเคราะห์
`--voice`	`af_heart`	เสียงสำเร็จ (50 เสียงใน 10 ภาษา)
`--language`	`en`	รหัสภาษา: en, es, fr, hi, it, ja, pt, zh, ko, de
`--output, -o`	`kokoro_output.wav`	เส้นทางไฟล์ WAV เอาต์พุต
`--list-voices`		แสดงรายชื่อเสียงที่มีทั้งหมดและออก
`--model, -m`		HuggingFace model ID

ตัวอย่าง:

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

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

# แสดง 50 เสียงทั้งหมด
speech kokoro --list-voices

respond

บทสนทนาเสียงพูดสู่เสียงพูดแบบ full-duplex โดยใช้ PersonaPlex 7B

speech respond [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--input, -i`		ไฟล์ WAV เสียงอินพุต (24kHz mono) (บังคับ)
`--output, -o`	`response.wav`	ไฟล์ WAV ตอบกลับเอาต์พุต
`--voice`	`NATM0`	เสียงสำเร็จ (เช่น NATM0, NATF1, VARF0)
`--system-prompt`	`assistant`	Preset: `assistant`, `focused`, `customer-service`, `teacher`
`--system-prompt-text`		ข้อความ system prompt กำหนดเอง (เขียนทับ preset)
`--max-steps`	`200`	จำนวนขั้นการสร้างสูงสุดที่ 12.5Hz (~16s)
`--stream`		ส่ง chunk เสียงระหว่างการสร้าง
`--compile`		เปิด compiled transformer (warmup + kernel fusion)
`--list-voices`		แสดงรายการเสียงสำเร็จที่มี
`--list-prompts`		แสดงรายการ preset ของ system prompt ที่มี
`--transcript`		พิมพ์ข้อความบทพูดในใจของโมเดล
`--json`		เอาต์พุตเป็น JSON (ข้อความถอด ความหน่วง เส้นทางเสียง)
`--verbose`		แสดงข้อมูลเวลาอย่างละเอียด

การเขียนทับ Sampling

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`--audio-temp`	`0.8`	อุณหภูมิการสุ่มเสียง
`--text-temp`	`0.7`	อุณหภูมิการสุ่มข้อความ
`--audio-top-k`	`250`	top-k ของผู้สมัครเสียง
`--repetition-penalty`	`1.2`	ค่าปรับการซ้ำของเสียง (1.0 = ปิด)
`--text-repetition-penalty`	`1.2`	ค่าปรับการซ้ำของข้อความ (1.0 = ปิด)
`--repetition-window`	`30`	หน้าต่างค่าปรับการซ้ำเป็นเฟรม
`--silence-early-stop`	`15`	เฟรมเงียบก่อนหยุดก่อนกำหนด (0 = ปิด)
`--entropy-threshold`	`0`	ขีดเริ่มต้น entropy ของข้อความเพื่อหยุดก่อนกำหนด (0 = ปิด)
`--entropy-window`	`10`	จำนวนขั้น entropy ต่ำต่อเนื่องก่อนหยุดก่อนกำหนด

ตัวอย่าง:

# เสียงพูดสู่เสียงพูดพื้นฐาน
speech respond --input question.wav

# ใช้เสียงผู้หญิงพร้อม compiled transformer
speech respond -i question.wav --voice NATF1 --compile

# Stream การตอบกลับและแสดงข้อความถอด
speech respond -i question.wav --stream --transcript --verbose

vad

การตรวจจับกิจกรรมเสียงพูดแบบออฟไลน์โดยใช้ Pyannote segmentation

speech vad <file> [options]

ตัวเลือก	คำอธิบาย
`<file>`	ไฟล์เสียงที่จะวิเคราะห์
`--model, -m`	HuggingFace model ID
`--onset`	ขีดเริ่มต้น onset (เริ่มเสียงพูด)
`--offset`	ขีดเริ่มต้น offset (สิ้นสุดเสียงพูด)
`--min-speech`	ระยะเวลาเสียงพูดต่ำสุดเป็นวินาที
`--min-silence`	ระยะเวลาเงียบต่ำสุดเป็นวินาที
`--json`	เอาต์พุตเป็น JSON

vad-stream

การตรวจจับกิจกรรมเสียงพูดแบบสตรีมโดยใช้ Silero VAD v5 ประมวลผลเสียงพูดในชิ้นขนาด 32ms

speech vad-stream <file> [options]

ตัวเลือก	คำอธิบาย
`<file>`	ไฟล์เสียงที่จะวิเคราะห์
`--engine`	เอนจิน VAD: `mlx` (ค่าเริ่มต้น) หรือ `coreml`
`--model, -m`	HuggingFace model ID (เลือกอัตโนมัติตามเอนจิน)
`--onset`	ขีดเริ่มต้น onset
`--offset`	ขีดเริ่มต้น offset
`--min-speech`	ระยะเวลาเสียงพูดต่ำสุดเป็นวินาที
`--min-silence`	ระยะเวลาเงียบต่ำสุดเป็นวินาที
`--json`	เอาต์พุตเป็น JSON

wake

การตรวจจับ wake-word / keyword บนอุปกรณ์โดยใช้ KWS Zipformer (3.49M พารามิเตอร์ CoreML INT8, 26× เรียลไทม์ เฉพาะภาษาอังกฤษ)

speech wake <file> [options]

ตัวเลือก	คำอธิบาย
`<file>`	ไฟล์เสียงที่จะวิเคราะห์
`--keywords`	คีย์เวิร์ดหนึ่งคำหรือมากกว่า รูปแบบ: `"hey soniqo"` (greedy BPE), `"hey soniqo:0.15:0.5"` (พร้อมขีดเริ่มต้น/boost) หรือ `"LIGHT UP\|▁ L IGHT ▁UP:0.25:2.0"` (ชิ้น BPE แบบชัดเจนสไตล์ sherpa-onnx)
`--keywords-file`	ไฟล์คีย์เวิร์ด หนึ่งรายการต่อบรรทัด (รูปแบบเดียวกับ `--keywords`); ใช้ `#` สำหรับความเห็น
`--model, -m`	HuggingFace model ID ค่าเริ่มต้นคือ `aufklarer/KWS-Zipformer-3M-CoreML-INT8`
`--json`	เอาต์พุตเป็น JSON

# วลีธรรมดา ค่าเริ่มต้นที่ปรับแต่งไว้แล้ว
speech wake recording.wav --keywords "hey soniqo"

# ชิ้น BPE แบบชัดเจนสำหรับวลีที่ greedy tokenizer ผิด
speech wake recording.wav --keywords "LIGHT UP|▁ L IGHT ▁UP:0.25:2.0"

# หลายวลี + เอาต์พุต JSON
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

การแยกผู้พูด — ระบุว่าใครพูดเมื่อใด

speech diarize <file> [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<file>`		ไฟล์เสียงที่จะวิเคราะห์
`--engine`	`pyannote`	เอนจินแยกผู้พูด: `pyannote` (segmentation + การโยงผู้พูด) หรือ `sortformer` (end-to-end CoreML)
`--target-speaker`		เสียงลงทะเบียนสำหรับการแยกผู้พูดเป้าหมาย (เฉพาะ pyannote)
`--embedding-engine`	`mlx`	เอนจินสร้าง embedding ผู้พูด: `mlx` หรือ `coreml` (เฉพาะ pyannote)
`--vad-filter`		กรองล่วงหน้าด้วย Silero VAD (เฉพาะ pyannote)
`--rttm`		เอาต์พุตในรูปแบบ RTTM
`--json`		เอาต์พุตเป็น JSON
`--score-against`		ไฟล์ RTTM อ้างอิงเพื่อคำนวณ DER

ตัวอย่าง:

# การแยกพื้นฐาน (pyannote, ค่าเริ่มต้น)
speech diarize meeting.wav

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

# เอาต์พุต RTTM เพื่อประเมิน
speech diarize meeting.wav --rttm

# การแยกผู้พูดเป้าหมาย (เฉพาะ pyannote)
speech diarize meeting.wav --target-speaker enrollment.wav

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

embed-speaker

สกัด vector embedding ของผู้พูดจากเสียง

speech embed-speaker <file> [options]

ตัวเลือก	คำอธิบาย
`<file>`	ไฟล์เสียงที่มีเสียงผู้พูด
`--engine`	เอนจิน inference: `mlx` (ค่าเริ่มต้น), `coreml` (WeSpeaker 256 มิติ) หรือ `camplusplus` (CAM++ CoreML 192 มิติ)
`--json`	เอาต์พุตเป็น JSON

denoise

กำจัดเสียงรบกวนฉากหลังโดยใช้ DeepFilterNet3 บน Neural Engine

speech denoise <file> [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<file>`		ไฟล์เสียงอินพุต
`--output, -o`	`input_clean.wav`	เส้นทางไฟล์เอาต์พุต
`--model, -m`		HuggingFace model ID

ตัวอย่าง:

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

compose

สร้างเพลง 30 วินาทีจาก prompt ข้อความโดยใช้ MAGNeT บน MLX

speech compose <prompt> [options]

ตัวเลือก	ค่าเริ่มต้น	คำอธิบาย
`<prompt>`		Prompt ข้อความอธิบายเพลงที่จะสร้าง (เช่น "happy rock")
`--output, -o`	`magnet.wav`	เส้นทาง WAV เอาต์พุต (32 kHz mono)
`--variant`	`small-int4`	รุ่นของโมเดล: `small-int4`, `small-int8`, `medium-int4` หรือ `medium-int8` แมปไปยัง `aufklarer/MAGNeT-{Small,Medium}-30secs-MLX-{4,8}bit`
`--temperature`	`3.0`	อุณหภูมิการสุ่ม ลดลงเชิงเส้นต่อแต่ละ stage
`--top-p`	`0.9`	ขีดเริ่มต้น nucleus sampling
`--cfg-max`	`10.0`	ค่าสัมประสิทธิ์ classifier-free guidance สูงสุด
`--cfg-min`	`1.0`	ค่าสัมประสิทธิ์ CFG ต่ำสุด (ลดลงตามตาราง mask)
`--steps`	`20,10,10,10`	จำนวนรอบ decode ต่อ codebook คั่นด้วยจุลภาค (4 ค่า)
`--seed`		seed สุ่มเพื่อให้ผลลัพธ์ทำซ้ำได้

ตัวอย่าง:

# ค่าเริ่มต้น: small-int4, ประมาณ 10 s บนชิปตระกูล M สำหรับคลิป 30 s
speech compose "happy rock" -o happy_rock.wav

# โมเดลใหญ่กว่า — ตาม prompt ได้ดีกว่า ช้ากว่า
speech compose "lo-fi hip hop with mellow piano" --variant medium-int4 -o lofi.wav

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