MLX STT

核心用法

mlx-stt 是一款专为 Apple Silicon Mac 设计的本地语音识别工具，利用 Apple 的 MLX 机器学习框架实现高效推理。用户通过简单的命令行接口即可将音频文件转录为文本，首次运行会自动从 Hugging Face 下载约 2.5GB 的量化模型（GLM-ASR-Nano-2512-8bit）。

使用流程：
1. 运行安装脚本自动配置依赖（ffmpeg、uv、mlx_audio）
2. 执行 uv run mlx-stt.py <音频路径> 完成转录
3. 结果直接输出至标准输出，便于管道处理

显著优点

• 完全本地化：无需云端服务，保护隐私数据
• 零成本运行：无 API 调用费用，适合高频使用场景
• Apple Silicon 优化：MLX 框架充分利用 M 系列芯片的神经网络引擎
• 模型轻量化：8bit 量化版本仅 2.5GB，平衡精度与资源占用
• 开箱即用：Homebrew 生态自动化依赖管理

潜在缺点与局限性

• 平台锁定：仅限 macOS + Apple Silicon，Intel Mac 及 Windows/Linux 无法运行
• 首次下载耗时：模型拉取依赖 Hugging Face 连接稳定性
• 功能单一：专注语音转文字，无实时流式处理、说话人分离等高级功能
• 中文社区模型：GLM-ASR 系列对中文优化较好，但多语言混合场景性能待验证

适合人群

• 注重隐私的 macOS 用户（记者、律师、医疗从业者）
• 需要批量处理音频的本地化工作者
• Apple Silicon 设备持有者寻求替代 Whisper 的轻量方案

常规风险

• 模型文件来源于社区托管（mlx-community），需信任 Hugging Face 分发渠道
• 量化模型可能存在精度损失，关键场景建议人工校验
• 依赖 Homebrew 环境，企业受管设备可能遇到权限冲突

核心用法

mlx-stt 是一款专为 Apple Silicon Mac 设计的本地语音识别工具，基于 Apple 的 MLX 框架运行 GLM-ASR-Nano-2512 模型。用户只需提供音频文件路径即可完成转录，首次运行会自动从 Hugging Face 下载约 2.5GB 的量化模型。

安装后执行：

uv run mlx-stt.py <audio_file_path>

转录结果直接输出至 stdout，支持常见音频格式（依赖 ffmpeg 自动转换）。

显著优点

• 完全免费零门槛：无需 API Key、无需订阅、无需联网服务器
• 隐私优先设计：音频数据本地处理，不上传云端，符合 GDPR/CCPA 合规
• Apple Silicon 原生优化：充分利用 M 系列芯片 NPU/GPU 加速
• 模型轻量化：8-bit 量化版本仅 2.5GB，Nano 规格适合消费级设备
• 极简架构：纯命令行工具，无复杂依赖链

潜在缺点与局限性

• 平台锁定：仅支持 macOS + Apple Silicon（M1 及以上），Intel Mac 无法运行
• 首次下载耗时：模型需从 Hugging Face 拉取，国内用户可能受网络影响
• 依赖外部工具链：依赖 Homebrew、uv、ffmpeg，环境准备较繁琐
• T3 来源风险：个人开发者维护，长期更新保障存疑
• 功能单一：仅支持转录，无说话人分离、时间戳对齐等进阶功能
• 中文优化模型：GLM-ASR 对中文效果较好，其他语言表现待验证

适合人群

• 注重隐私、拒绝云端语音服务的 Apple Silicon 用户
• 中文播客/视频创作者需要批量生成字幕
• 开发者构建本地语音 Pipeline 的原型验证
• 学术场景下的离线语音数据处理

常规风险

| 风险类别 | 等级 | 说明 |

|---------|------|------|

| 供应链安全 | 中 | 依赖 brew、uv、mlx-audio 未锁定版本 |

| 命令注入 | 中 | subprocess.run 执行 ffmpeg，需验证输入路径 |

| 来源可信度 | 中 | T3 个人开发者，建议审查源码后使用 |

| 模型下载 | 低 | 仅从 Hugging Face 官方源下载，TLS 加密传输 |

使用建议

1. 审查 install.sh 和 mlx-stt.py 源码后再执行安装
2. 对输入音频路径进行白名单验证，避免路径遍历
3. 考虑 fork 后锁定 mlx-audio 版本以确保可复现构建
4. 国内用户建议配置 Hugging Face 镜像加速模型下载