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机器学习框架运行GLM-ASR模型。用户只需执行uv run mlx-stt.py <音频文件路径>即可将音频转换为文字，结果直接输出至终端。

显著优点

1. 完全本地化：所有推理在本地完成，无需上传音频至云端，隐私性极强
2. Apple Silicon深度优化：基于MLX框架，充分利用M系列芯片的神经网络引擎
3. 零成本使用：开源免费，无API调用费用或订阅限制
4. GLM-ASR模型：采用智谱AI的ASR模型，中文识别准确率较高
5. 自动化依赖管理：安装脚本自动通过Homebrew配置ffmpeg、uv等依赖

潜在缺点与局限性

• 平台锁定：仅限macOS+Apple Silicon，Intel Mac和Windows/Linux无法使用
• 模型体积：首次运行需下载大语言模型，占用存储空间
• 硬件门槛：需要较新的M系列芯片才能保证流畅体验
• 功能单一：仅支持语音转文字，无实时字幕、说话人分离等高级功能

适合人群

• 注重隐私的Mac用户（记者、律师、医疗工作者）
• 需要批量处理音频的播客/视频创作者
• 中文语音识别需求较高的用户
• 无法稳定连接网络的环境

常规风险

• 存储敏感：转录结果可能留在终端历史或日志中
• 模型来源：需从第三方下载GLM-ASR模型，存在供应链风险
• 依赖链复杂：涉及Python uv、brew、ffmpeg多层依赖，任一环节故障影响使用

核心用法

mlx-stt 是一款专为 Apple Silicon Mac 设计的本地语音转文字工具，利用 Apple 的 MLX 深度学习框架运行 GLM-ASR 模型，完全离线完成转录任务。用户通过 uv run mlx-stt.py <音频文件路径> 即可调用，脚本自动处理音频格式转换（借助 ffmpeg）并输出纯文本结果到 stdout。

显著优点

1. 完全本地运行：所有计算在设备端完成，音频数据不上传云端，隐私性极强
2. 零 API 成本：无需订阅第三方 STT 服务（如 OpenAI Whisper API），长期使用零费用
3. Apple Silicon 优化：基于 MLX 框架深度利用 GPU/Neural Engine，转录速度快且能耗低
4. 依赖管理规范：使用 uv 和 brew 管理依赖，来源可追溯，无 typosquatting 风险
5. 代码结构清晰：功能单一专注，122 行代码实现完整流程，易于审计

潜在缺点与局限性

1. 平台限制：仅支持 macOS + Apple Silicon，Intel Mac 及 Linux/Windows 无法使用
2. 模型依赖：需下载 GLM-ASR 模型，首次使用有带宽和存储开销
3. 无实时流式支持：仅支持文件级批处理，不适合实时会议转录场景
4. 外部依赖较多：依赖 ffmpeg、uv、brew 等工具，环境配置有一定门槛
5. T3 来源风险：个人开发者维护，长期维护稳定性不及 T1/T2 级别项目

适合人群

• 隐私敏感用户：律师、医生、记者等需处理敏感录音的专业人士
• Apple Silicon 用户：已拥有 M 系列芯片 Mac 且希望充分利用本地算力
• 成本敏感用户：需要大量转录任务但不愿支付 API 费用
• 技术爱好者：愿意接受一定配置门槛以换取可控性和透明度

常规风险

• 输入路径需确保为可信来源的音频文件，避免路径遍历攻击（当前代码已通过 Path.expanduser() 缓解）
• 依赖 mlx-audio 较新项目（2025年），需关注安全更新
• 错误输出被重定向到 DEVNULL，调试时可能难以排查问题