mlx-audio v0.4.4 发布，新增 15 个 TTS、ASR 与 VAD 模型，改进长文本转录速度与 OpenAI 兼容音频服务器，全部在 Apple Silicon 上本地运行。
🚀 mlx-audio v0.4.4 已发布——这是我们迄今为止推出的功能最强大的版本。
新增了 15 个 TTS（文本转语音）、ASR（自动语音识别）及 VAD（语音活动检测）模型，提升了长文本内容转录的速度，并改进了与 OpenAI 兼容的音频服务器功能。所有这些技术都运行在 Apple Silicon 平台上。
🎤 新增的 TTS 语音引擎：
• VoxCPM2（支持 2B 语言库、48kHz 音频格式、30 种语言）
• MOSS-TTS / TTSD / 1.5
• Higgs Audio v3
• Miso、Dramabox、Irodori-TTS v3（VoiceDesign 技术支持）
📝 新增的 STT/ASR （语音转文本/自动语音识别）工具：
• Mega-ASR（基于 Qwen3-ASR 1.7B 模型，支持 LoRA 路由技术）
• Nemotron 3.5 ASR（支持实时语音识别功能）
• granite-speech-4.1-2b-nar、Fun-ASR-Nano
• Cohere ASR（长文本转录速度提升 1.7 倍）
🔊 新增的语音处理组件及编码器：
• Silero VAD、FSMN-VAD、Step-Audio 2
⚙️ 服务器改进：新增了与 OpenAI 兼容的数据格式（response_format），支持 /v1/audio/voices 格式以及逐词时间戳功能；服务器端的语音活动检测功能已由 lllucas 完成开发。
安装方法：`uv pip install -U mlx-audio`
明天安装测试看看实际效果，对于中文的支持效果如何？
🚀 mlx-audio v0.4.4 is out — our biggest model drop yet. 15+ new TTS, ASR & VAD models, faster long-form transcription, and an expanded OpenAI-compatible audio server. All running local on Apple Silicon. 🎤 New TTS • VoxCPM2 — 2B, 48kHz, 30 languages • MOSS-TTS / TTSD / 1.5 • Higgs Audio v3 • Miso, Dramabox, Irodori-TTS v3 VoiceDesign 📝 New STT/ASR • Mega-ASR (Qwen3-ASR-1.7B + LoRA routing) • Nemotron 3.5 ASR (streaming) • granite-speech-4.1-2b-nar, Fun-ASR-Nano • Cohere ASR — 1.7× faster long-form 🔊 VAD & codecs: Silero VAD, FSMN-VAD, Step-Audio 2 ⚙️ Server: OpenAI-compatible response_format, /v1/audio/voices, word timestamps, realtime server-side VAD turns h/t @lllucas Huge thanks to all the contributors 🙏 > uv pip install -U mlx-audio github.com/Blaizzy/mlx-audio在 X 查看被引用的帖子
来源：@berryxia · x.com