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 深度学习框架实现高效音频转录。用户通过 uv run、python 或 python3 直接调用 mlx-stt.py 脚本，或 fallback 至 mlx-stt.sh 执行转录任务。

使用流程简洁：安装依赖（uv tool install --force mlx-audio --prerelease=allow）后，传入音频文件路径即可获取转录结果，输出直接打印至终端。

显著优点

1. Apple Silicon 原生优化：基于 MLX 框架，充分利用 M 系列芯片的神经网络引擎，推理速度显著优于跨平台方案
2. 完全离线运行：GLM-ASR 模型本地部署，无需网络连接，保障数据隐私
3. 高精度识别：GLM-ASR 在中文等多语言场景下表现优异
4. 轻量便捷：通过 uv 工具链管理，安装简单，依赖清晰
5. 零成本：开源免费，无 API 调用费用

潜在局限

• 平台受限：仅支持 macOS + Apple Silicon（M1/M2/M3/M4），Intel Mac 及 Windows/Linux 无法使用
• 模型依赖：需下载 GLM-ASR 模型文件，首次使用可能消耗存储空间和下载时间
• 功能单一：专注转录，无实时流式识别、说话人分离等高级功能
• 音频格式依赖：需 ffmpeg 处理部分格式，增加外部依赖

适合人群

• Apple Silicon Mac 用户，重视隐私不愿上传音频至云端
• 需要批量处理本地音频文件的内容创作者、播客制作者、研究人员
• 对中文语音识别精度有较高要求的用户
• 技术爱好者，偏好开源可审计的解决方案

常规风险

• 模型偏见：ASR 模型可能对特定口音、方言识别率偏低
• 资源占用：长时间转录音频会持续占用 GPU/神经引擎，影响设备续航
• 依赖更新：mlx-audio 处于 prerelease 阶段，API 可能变动
• 转录准确性：专业术语、生僻词汇可能识别错误，重要场景建议人工校对

核心用法

mlx-stt 是一款专为 Apple Silicon（M1/M2/M3 系列芯片）Mac 设计的本地语音识别工具，通过 MLX 机器学习框架运行 GLM-ASR 模型，将音频文件转换为文本。用户只需提供音频文件路径即可执行转录，支持 Python 脚本（uv run/python/python3）或 Bash 脚本两种调用方式。

安装依赖后，执行命令：uv run mlx-stt.py <audio_file_path>，转录结果直接输出至终端。工具内部自动调用 ffmpeg 进行音频格式转换，使用 mlx_audio.generate.stt 完成语音识别。

显著优点

1. 完全本地化：依托 Apple Silicon 的 Neural Engine，无需云端 API，保护隐私且零网络费用
2. 开源免费：基于 mlx-audio 开源项目，无订阅费用，模型可本地缓存复用
3. 硬件优化：MLX 框架深度适配 Apple Silicon，推理效率高，功耗低于通用深度学习框架
4. 中文支持：GLM-ASR 模型对中文语音识别效果良好，适合中文用户场景
5. 零配置运行：安装依赖后开箱即用，无需复杂的模型下载或环境配置

潜在缺点与局限性

• 平台限制：仅限 macOS + Apple Silicon 设备，Intel Mac 及 Windows/Linux 无法使用
• 依赖安装门槛：需自行安装 ffmpeg、uv、mlx-audio 等工具链，对非技术用户不够友好
• 模型下载：首次运行需从网络下载 GLM-ASR 模型（约数百 MB），依赖网络环境
• 功能单一：仅支持语音转文字，无说话人分离、时间戳、实时转录等进阶功能
• 性能瓶颈：超长音频（数小时）处理时内存占用较高，建议分段处理

适合人群

• Apple Silicon Mac 用户，需要离线、免费的语音转文字解决方案
• 隐私敏感场景（医疗、法律、机密会议记录），拒绝云端语音识别服务
• 中文播客/视频创作者，需要批量生成字幕文稿
• 开发者和技术用户，愿意配置 Python 环境的进阶用户

常规风险

• 供应链风险：mlx-audio 虽为开源项目，但依赖用户自行安装，存在误装恶意版本的理论可能，建议始终从官方 GitHub 仓库安装
• 模型来源：GLM-ASR 模型下载过程由 mlx-audio 内部处理，需信任 Hugging Face 等模型托管平台
• 无版本锁定：当前未指定 mlx-audio 版本，可能因框架更新导致兼容性问题
• 临时文件安全：虽使用安全的临时目录机制，但仍需确保系统 /tmp 分区未被恶意监控

> 综合来看，这是一款安全、高效、零成本的本地化语音转文字方案，特别适合 Apple Silicon 生态下的隐私优先用户，但需接受其平台独占性和一定的技术配置门槛。