Awtomatikong salin · Orihinal sa Ingles

Sanggunian ng CLI

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

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

Ang speech command ay ang entry point para sa lokal na pagproseso ng pagsasalita.

Iluklok na may Homebrew

Sa Apple Silicon na may macOS 15 o mas bago, i-install ang CLI gamit ang Homebrew:

brew install speech
speech --help

Upang i-update ang isang umiiral na installment, patakbuhin brew upgrade speech.

Alternatibong paraan: gumawa mula sa pinagmumulan

Sa Isang Kuwarto speech-swift mag - checkout, tumakbo make build, pagkatapos ay gamitin .build/release/speech. Tingnan ang Pagkakuha ng panimulang giya para sa mga demand at source-build na instruksiyon.

Mga Tagapagsalin

Isulat ang mga audio file.

speech transcribe <file> [options]

Mga halimbawa:

# 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

Kasuwato ng

Word-level sapilitang paghahanay – makakuha ng mga tiyak na timestamps para sa bawat salita.

speech align <file> [options]

Mga halimbawa:

# 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?"

magsalita

Text-to-speech synthesis.

speech speak "<text>" [options]

Qwen3-TTS Options

CosyVoice3 Options

VoxCPM2 Options

IndexTTS2 Options

IndexTTS2 ay isang kilometro sero-shot na voice-cloning engine na sinusuportahan ng isang pinalawak na MLX brock. Ito ay nangangailangan ng --voice-sample at sa kasalukuyan ay nagpapatakbo lamang ng distributed synthesis.

F5-TTS Options

Higgs TTS 3 Options

Mga Mapagpipilian ng Magpie

NVIDIA Magpie-TTTS Multilingual 357M, mga wikang 9 na may 5 hinurnong mga tagapagsalita. Pipihin ang backend na may mga nagsasalita ng ZXQXZ. --engine magpie (MLX, default) o --engine magpie-coreml (CoreML para sa mga malalaking modelo na may MLX na nagpapatakbo ng LocalTransformer + audio embendings). Gagpie giya para sa full per-gage G2P breakdown. Hindi suportado ang mga symbolic link: --voice-sample, --speaker, at --instruct ay tinatanggihan sa tulong ng isang nakatutulong na pagkakamali na nakaturo sa --magpie-speaker sa halip.

Mga yungib ng magpie-coreml: ang nakapilot na NanoCodec ay natunton sa isang nakapirmeng bintanang 64-frame, kaya't --stream ay tinatanggihan. --language ja Ang auto-routes to the MLX backend na may stderr note (ang CoreML brock ay hindi pa nag-eebolb ng barkong JA tokenizer assets ngunit). Ang CoreML engine na tamad-based ang MLX na naka-claim sa unang syntheme upang patakbuhin ang LocalTransformed at average audio embedings; purong-CoreML retment ay na tinatagnan bilang isang follow-up.

Mga halimbawa:

# 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

Tagubilin TTS opsyon

Eksperimento: Magtayo ng katutubong suportang SDK mula sa pangunahing pinagkukunan. Homebrew at iba pang mga prebuild na CLI release ay maaaring hindi pa kasama ang mga makinang ito.

Implementasyon (PR #541): main

Inilathala ang mga bungkos ng MLX: aufklarer/FireRedTTS3-Instruct-MLX-fp32 · aufklarer/MOSS-VoiceGenerator-MLX-bf16

Magtakda ng isang argumento sa teksto, --instruct, at eksaktong isang brock directory o magtutugmang modelo ID. Reference audio, mga nakapirmeng speaker at councre input ay hindi suportado.

Ang bawat teksto at larangan ng instruksiyon ay limitado sa 32,768 UTF-8 bytes. Ang kumpletong iginawad na input advanced, kabilang ang template nito, ay dapat na angkop sa loob ng 4,096 na mga pananda. Ang mga inputs na lampas sa alinmang limitasyon ay itinatakwil.

Ang FireRedTTS3-Instruct ay nagpapanatili ng Float32 model at decoder weights. Ito ay nagbabalik ng opensibong audio: abstraktong --stream. Ingles at Tsino --language alyasses ay tinatanggap. Ang isang hangganan ng henerasyon ay nag-aangat ng pagkakamali sa halip na ibalik ang tagumpay.

Ang MOSS-VoiceGenerator ay nagpapanatili ng BF16 language weights at ang FP32 synthesis codec. Gamitin ang --stream para sa incremental PCM. Omit --language at ilagay ang mga kahilingan ng wika sa --instruct.

Ang instruksyon-sunod na katangian ay hindi nai-cored. ang mga maikling-script na sukat ay naglalarawan sa tested setup; ang umiiral na-model na latency serial ay nananatiling hindi tiyak.

FireRedTTS3-Instruct · MESS-VoiceGenerator

kokoro

Lightweight text-to-speech gamit ang Kokoro-82M sa Neural Engine (CoreML). Non-autoregressive–isang pasulong na pagpasa, iV45ms latency.

speech kokoro "<text>" [options]

Mga halimbawa:

# 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

tugon

Full-duplex speech-to-speech diyalogo gamit ang PersonaPlex 7B.

speech respond [options]

Panunuya sa mga Labis na Pag - abuso

Mga halimbawa:

# 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

tinig-chat

Mabuhay full-duplex na usapan sa Soniqo, na pinapatakbo ng NVIDIA Nemotron VoiceChat 11B. Microphone mode Ang Apple AEC, dinadaglat ang RNN-T na mga kapsiyon, human-facing realtime metrics, adjustive 8→2→1-spthure ng boses, at naka-up na input ay sa halip na nag-cronize ng long-up.

speech voice-chat [options]

Mga halimbawa:

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

Kasama MCP ay nakapag-produce, model-native call JSON at bumalik na tool-response tokens na ginagamit NVIDIA''s two-phase asynchronous function path sa isang cached stunt embending. Walang transcripted storder, regular-expression paterno, reflection state, o scripted assistant relection: ang checkpoint lamang ang pumipili ng isang kasangkapan at ang mga argumento nito. Ang coordinator ay nagbibigay-diin lamang sa katutubong JSON, ay naglalapat ng pagbasa/impormasyon, pinapatay ang napiling patakaran ng pagsulat, pinapatay ang pinili MCP mag - opera, at bumalik na inayos ang mga resulta sa pamamagitan ng sinanay na election channel. allow Sa patakaran, ang pag-aalis ng ikalawang kumpil ay nagreresulta mula sa mga paalalang demo; ang isang magkatulad na natapos na sulat ay pinipigil pa rin hanggang sa bagong tagagamit ng pananalita. confirm tangi lamang kapag ang model-mediated na kumpil ay maliwanag na ninanais, o deny Upang tumanggi sa pagsusulat. MCP utos ay tumatakbo sa lokal na may filesystem at applications ng gumagamit, kaya gamitin lamang ang mga pinagkakatiwalaang configuration files at server pakete.

Ang Microphone perception at RNN-T na mga kapsiyon ay nagpapatuloy sa pagitan ng mga modelong hakbang, habang ang panlabas na mga panlabas MCP Ang I/O ay tumatakbo sa isang hiwalay na gawain. Ang mga rehiyon ng speak-maning mikropono na nakuha habang ang kabahaging function cache ay abala habang ang mga sinuring embeding at replayed causly matapos ang resulta, kaya ang isang kapsiyoned na follow-up ay hindi na itinatapon. Ang replay ay limitado sa isang lumang semantic frame sa bawat live callback; ang kaukulang bagong frame ay nananatiling queued, replay text ay sapilitang sa PAD, at ang-elaped audio ay hindi kailanman queuitying sa nagsasalita. Ang mga naka-out na mga posisyong STTS-TS STS STTHTHTS stacked, ang mga ST-exTHTV-exTFramed. Ang walong seckedboard ay sa mga ST. MCP round trip, at tool-result cache conversion. Decode at resultang mga linya ipakita mo ang modelo/coche compute plus live interleave, ang mga labí na ginagamit ng aktor ay nagbubunga, nag - iingat ng aklat, at nag - iingat sa sistema ng pagtatalo; madaling maunawaan ang audio RTF ay hindi nasusukat sa background na iyon. Minsang bukas ang tawag, ang sapilitang-PAD text channel ay nag-eebolb sa hindi nagamit na full-vocabulary projection nito. Pagkatapos ng EOTC, ang dalawang-phase path ay nagreresulta sa pinagsaluhang wika at user-TTS timeline habang ang panlabas na resulta ay naka-set; ang mga frame ng mikropono ay nananatiling buhay para sa pang-unawa at ang RNNN-T ngunit hindi nagiging sintetikong mga posisyon ng PAD bago ang resulta. 16-Tokken causal-prefill na mga tipak, at ang buháy na loop ay kababasahan ng isang magkakaugnay na akseso at isa na gumagana MCP Isipin ang bawat larawan 160 Mga m sa halip na gumawa ng ilang tawag sa aktor pagkatapos ng bawat balangkas ng mikropono. 40-frame RNN-T safety fallback, habang ang isang dati nang-proposed na katutubong kagamitang kandidato ay maaaring gawin pagkatapos ng walong blankong frames. Ang teksto at gumaganang mga channels ay pareho pa rin ng isang Nemotron-H cache, kaya ang magkakaugnay na resulta-kombinasyong pagsasalita ay nagsisimula lamang pagkatapos ng function featment; ang hindi ligtas na tumatakbo bilang ikalawang causal na hinaharap sa kahalintulad.

Malinis M5 Pro 48 Sinukat ang GB release profile 3.56–4.00 mga segundo mula sa dulo ng pagsasalita hanggang sa unang modelo-authored post-tool speech para sa tatlong reflect-list prashings na may nakatakdang 200 Katutubong JSON decoding na ginagamit 27–31 mga hakbang sa 1.15–1.28 mga segundo, at isang 67-Kasabay ang resulta 0.58–0.72 Sa pamamagitan ng isang sadyang mabagal na dalawang-second provider, ang gawain ng mikropono sa panahon ng paghihintay ay nanatili 19.6 ms p95 at 19.8 Hanggang sa sukdulan, ang huling malinis na pagtakbo ay sinusukat 118 ms mikropono-service p95 at 139 ms p95 Pagiging huli sa kabila pa roon 80 Ang provider samakatuwid ay nagdaragdag ng tugon sa huli nang walang pagyeyelong paghuli; ang natitirang compute limit ay katutubong tawag na decoding plus share-cache na resulta replay.

Inilalantad lamang ng may bungkos na demo list_reminders, create_reminder, at update_reminder; ang pagtuklas ng listahan ay nananatiling pang-edukasyon-private. Ang isang patag na paalala ay nagbabasa sa bawat listahan ng EventKit at pinapalitan ang mahabang provider na mga UUD ng matatag, sesyon-scoped na mga reperensiya gaya ng mga "copt" r1. Updates ay nagbabalik ng isa sa mga model-visible na reperensiyang iyon, at ang adapter ay nagreresulta dito nang eksakto bago patayin; ito ay hindi kailanman tumutugma sa mga binibigkas na pangalan o transcript na teksto. No-op updates at ang mga seleksiyong seleksiyonal ay itinatakwil sa halip na iniulat bilang matagumpay na mga pagbabago. Ang isang kontroladong update regresyon ay nahulog mula sa isang kontroladong pag-reregresyon. 67 Mga katutubong hakbang / 5.25 mga segundo na may makatotohanang UUD 37 Mga hakbang / tungkol sa 2.29 mga segundo na kasama ng r1. Ang paggawa ay nangangailangan lamang ng pangalan samantalang ang opsyonal provider default ay nananatiling opsyonal. Ang umaagos na RNN-T frontend ay gumagamit ng NeMo-compatiable replection padding sa mga gilid ng bintana sa halip na sero na paddid.

Ang talaksang mode ay ang hardware-free reproducible path. --force-turn-at-end ay para lamang sa mga kontroladong regresyon test at hindi dapat iulat bilang natural na turn-couping latency.

audio-salin

Streaming speech-to-speech translation gamit ang Kyutai Hibiki Zero-3B. FR / ES / PT / DE → NT, isang binaryo, walang ulap. Full guide →

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

Di - nagbabagong Kapaligiran

Mga halimbawa:

# 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

tangke

Offline voice activity detection gamit ang Pyannote segmentation.

speech vad <file> [options]

vad-stream

Nakapagpapasiglang pagdetek ng boses gamit ang Silero VAD v5. Pinoproseso ang pagsasalita sa 32 Mga tipak ng bato.

speech vad-stream <file> [options]

pagliko

Wakas-of-turn na pagtutop sa pamamagitan ng Smart Turn v3.2 (8M params, CoreML, mga 23 languages). dinadaglat ang huling 8 s ng isang naitalang pagsabi at pagkalimbag ng probabilidad na natapos na ng nagsasalita, ang kumpleto / hindi kumpletong hatol, at ang di-malay na panahon.

speech turn <file> [options]

# 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

ng paggising

On-device shoat-word / keyword spoting gamit ang KWS Zipilyo (3.49M params, CoreML INT8, 26× real-time, Ingles lamang).

speech wake <file> [options]

# 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

diaperente

Pagsasalita — kilalanin kung sino ang nagsasalita kung kailan.

speech diarize <file> [options]

Mga halimbawa:

# 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

emibed-speaker

Kumuha ng isang tagapagsalita na nag - eembeding ventor mula sa audio.

speech embed-speaker <file> [options]

wika-id

Alamin ang wikang sinasalita sa isang audio file.

speech language-id <file> [options]

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

denoise

Alisin ang ingay sa paligid gamit ang DeepFilterNet3 sa Neural Engine.

speech denoise <file> [options]

Halimbawa:

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

Kumakatha

Generate 30 s ng musika mula sa isang advanced ng teksto gamit ang MAGNET sa MLX.

speech compose <prompt> [options]

Mga halimbawa:

# 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

Explace-batch

Transcribe ang isang directory ng mga audio file; ang modelo ay nakakarga minsan.

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

ibabalik

Restore speech (denoise + dereverb) na may Sidon — CoreML, 48 kHz output.

speech restore <audio-file> [options]

hiwalay

Paghiwalayin ang isang music track sa tangkay (vocals, drums, bass, iba pa).

speech separate <input> [options]

upsample

Audio super-resolution kasama ang FlashSR — one-steep distilled AudioSR, 48 kHz output.

speech upsample <audio-file> [options]

qwen3-tts-coreml

Swift suporta 0.6B/256 at 1.7B/1024 mga bungkos; 0.6B ang nananatiling default. 1.7 Mga default sa brock CPU at nangangailangan ng isang inihanda 2048-Anglon Float32 .npy nagsasalita sa pamamagitan ng pag - eembed --speaker-embedding. GPU/ANE at iOS professionation ay nananatiling hiwalay.

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

Boses ng vibe

Text-to-speech na may Microsoft VibeVoice (MLX).

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

vibevoice-encode-voice

Bawasan ang isang imbakan ng boses na VibeVoice mula sa isang reperensiyang rekording at mga kopya.

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

salin

Isinalin ang teksto sa isang puntiryang wika na may MADLAD-400 (MLX).

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

clef

Pumili mula sa pinahihintulutang sagot gamit ang Clef-flash local sa Apple Silicon. Development preview.

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

Ang kahilingan ay naglalaman ng teksto state at isang utos questions Bawat larangan ay may kani - kaniyang larangan id at a type: choice na may a choices mapa, noul para sa tunay/bulaan, o score na may utos levels. Output ay JON na may mga probability, piniling sagot, bahagyang pagbilang, model-load na oras, at panahon ng desisyon.

Sa pamamagitan ng default, ang utos ay naka-download aufklarer/Clef-flash-9B-MLX-4bit. Gamitin --model-dir para sa umiiral na mga file o --offline para sa cache. Nililimitahan ng token ang mga default sa 4096 at tinatanggap ang 1–16384. Tingnan ang ZXAXZ. Gabay pangabay sa Clef para sa kumpletong kahilingan at pagsukat sa paggamit ng memorya.

gliner

Schema-conditioned text classification at entity spans na may GLiNER2.5-Decide (MLX). Development preview: hindi pa nilalabas.Gmitin ang teksto upang basahin ang stdin.

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

avatar-motion

Generate NVIDIA Audio2Face-3D avatar-motion cobicture frames from speech audio.

speech avatar-motion <input> [options]

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

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