MLX STT

核心用法

mlx-stt 是一款基于 Apple MLX 框架的本地语音识别工具，专为 Apple Silicon Mac 设计。用户通过 /mlx-stt <audio> 或自然语言触发词即可调用，支持任意音频文件的语音转文字（STT/ASR）。首次运行自动下载默认模型 GLM-ASR-Nano-2512，后续使用无需联网。

显著优点

1. 完全本地化：依托 Apple MLX 框架，所有推理在本地完成，音频数据不上传云端，隐私性极强
2. 零成本使用：无需 API Key，无订阅费用，开源模型可免费商用
3. 开箱即用：通过 brew 自动安装 ffmpeg、uv、mlx_audio 等依赖，降低技术门槛
4. 模型轻量：默认采用 GLM-ASR-Nano-2512，针对效率优化，适合个人设备实时或批量处理

潜在局限

• 硬件限制：仅限 Apple Silicon Mac（M1/M2/M3/M4），Intel Mac 无法运行
• 首次启动慢：需下载模型文件，网络条件差时体验受影响
• 功能单一：专注语音转文字，无说话人分离、时间戳对齐等高级功能
• 中文生态弱：GLM-ASR 虽支持中文，但与 Whisper 相比社区资源和文档较少

适合人群

• 注重隐私的自媒体创作者、播客制作者
• 需要批量转写会议录音的职场人士
• Apple Silicon 用户且不愿支付 API 费用的开发者

常规风险

• 音频文件路径需合法，避免误处理敏感系统文件
• 长音频转写占用内存，建议分段处理 1 小时以上录音
• 模型输出需人工校对，关键场景不可直接作为法律或医疗凭证

核心用法

mlx-stt 是一款专为 Apple Silicon Mac 设计的本地语音转文本（STT/ASR）工具，基于 Apple 的 MLX 机器学习框架运行开源模型（默认 GLM-ASR-Nano-2512）。用户通过简单的命令行接口即可将音频文件转换为文字，无需配置 API 密钥或连接外部服务器。

典型触发方式包括：

• /mlx-stt <audio_file_path> — 直接调用转录脚本
• 自然语言指令如 "Transcribe ..."、"ASR ..."、"Convert audio to text ..."

执行流程：
1. 首次运行自动下载模型（可能稍慢）
2. 使用 ffmpeg 进行音频格式转换（如需要）
3. mlx-audio 在本地执行推理
4. 结果输出至 stdout

显著优点

• 完全本地化：音频数据不出设备，隐私风险极低
• 零 API 成本：无需订阅或按量付费的云端服务
• Apple Silicon 优化：充分利用 M 系列芯片的神经网络引擎
• 开源模型：基于 GLM-ASR-Nano-2512，可审计、可替换
• 极简依赖：仅需 brew、ffmpeg、uv 三个常见工具

潜在局限

• 平台限制：仅限 macOS + Apple Silicon，Intel Mac 及 Windows/Linux 不支持
• 首次启动慢：模型下载取决于网络状况
• T3 来源风险：个人开发者维护，非企业级保障
• 依赖自动安装：brew 和 uv 的自动安装可能引发版本冲突
• 临时文件清理不完善：异常退出时可能残留中间文件

适合人群

• 注重隐私的 Apple Silicon 用户（记者、律师、医疗工作者）
• 需要离线 ASR 能力的开发者和技术爱好者
• 高频转录需求、希望节省 API 费用的内容创作者
• 对云端服务有合规限制的企业内部使用

常规风险

| 风险类别 | 说明 | 缓解建议 |

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

| 来源可信度 | T3 个人开发者（guoqiao），非组织账号 | 审查代码后再使用，关注仓库动态 |

| 依赖安装 | brew/uv 自动安装可能引入冲突 | 预装依赖或使用版本管理工具 |

| 临时文件 | 异常退出时 `/tmp` 文件残留 | 建议作者添加 `trap EXIT` 清理 |

| 模型安全 | mlx-audio 来自 PyPI，需关注更新 | 定期升级依赖包 |

安全评级依据

该 Skill 获 A 级（92分） 评级，主要得益于：无危险函数调用、无数据外泄、本地处理架构。扣分项集中于 T3 来源和依赖自动安装机制。整体而言，对于能接受个人开发者维护模式的 Apple Silicon 用户，这是一个高性价比的隐私优先选择。