MLX Whisper 是一款专为 Apple Silicon Mac 设计的本地语音识别工具，基于 Apple 官方 MLX 机器学习框架开发，能够在设备端完成高质量的语音转文字任务，无需依赖云端 API 或网络连接。
核心用法
该 Skill 本质上是对 mlx_whisper 命令行工具的文档封装。用户可通过简单的命令行指令完成音频转录：mlx_whisper /path/to/audio.mp3 即可将音频转换为文本。工具支持多种实用场景：使用 -f txt 或 -f srt 参数可分别生成纯文本或字幕文件；通过 --task translate 可将非英语音频翻译为英文；--language 参数可指定源语言以提升识别准确度。模型方面提供从 tiny（75MB）到 large-v3（3GB）的多种选择，其中 whisper-large-v3-turbo（1.6GB）在速度与质量间取得最佳平衡，适合大多数日常使用。
显著优点
最突出的优势在于隐私保护与本地化处理。所有音频数据均在设备本地完成推理，不会上传至任何第三方服务器，特别适合处理敏感音频内容。针对 Apple Silicon（M1/M2/M3/M4）的专门优化使其在 Mac 上运行效率极高，充分利用了 Neural Engine 的加速能力。无需 API Key 的设计不仅降低了使用门槛，也消除了按量计费的成本焦虑。此外，作为 Apple 官方 mlx-examples 项目的组成部分，底层技术具备良好的维护保障。
潜在缺点与局限性
平台限制是最主要的门槛——该工具仅支持 Apple Silicon Mac，Intel Mac 用户无法使用。首次运行时需要从 Hugging Face 下载模型文件（75MB 至 3GB 不等），对网络环境和磁盘空间有一定要求。命令行交互方式对非技术用户不够友好，缺乏图形界面降低了易用性。模型选择方面也存在权衡：小模型速度快但准确度有限，大模型质量高但占用更多内存和存储。
适合的目标群体
核心受众为 Apple Silicon Mac 用户，特别是内容创作者（视频字幕制作）、播客制作者、研究人员（访谈转录）以及对数据隐私有严格要求的个人或企业用户。适合需要离线环境工作的场景，如保密会议室、无网络连接的户外工作环境等。
使用风险
主要风险在于依赖项管理：模型文件首次下载依赖 Hugging Face Hub 的连接稳定性，若该服务不可用则无法获取模型。大模型（如 large-v3）会占用约 3GB 磁盘空间，长期积累可能引发存储管理问题。虽然本地处理保障了隐私，但模型推理会消耗一定的 CPU/GPU 资源，在处理长音频时可能导致设备发热或耗电加快。此外，作为社区维护的 Skill（T3 来源），长期更新维护的稳定性需持续关注。