（10649期）Mlx Whisper – Apple Silicon 本地语音识别专家

Apple Silicon 本地语音识别专家 Apple Silicon 本地语音识别工具，无需 API 密钥，支持多格式音频转录与字幕生成 使用说明 核心用法 MLX Whisper 是基于 Apple MLX 框架构建的本地语音识别工具，专为 Apple Silicon（M1/M2/M3/M4）优化。安装后可直接通过命令行调用，支持 MP3、M4A、MP4 等多种音视频格式的语音转文字。 基础命令结构简单：mlx_whisper <音频路径> [选项]。核心功能包括：纯文本转录（-f txt）、生成 SRT 字幕（-f srt）、指定语言识别（--language）以及翻译为英文（--task translate）。模型采用 Hugging Face 托管的 MLX 社区版本，首次使用时自动下载缓存至 ~/.cache/huggingface/。 显著优点 本地运行，隐私优先：音频数据全程本地处理，无需上传云端，适合敏感内容转录 Apple Silicon 深度优化：利用 MLX 框架的 Unified Memory 架构，充分发挥 GPU/NPU 性能 模型选择灵活：从 75MB 的 tiny 到 3GB 的 large-v3 共 6 档模型，平衡速度与精度；推荐 large-v3-turbo（1.6GB）作为默认选择 零配置成本：无需 OpenAI API 密钥，无网络依赖，离线可用 多格式输出：原生支持纯文本、SRT/VTT 字幕格式，可直接用于视频后期 潜在缺点与局限性 硬件门槛严格：仅限 Apple Silicon Mac，Intel Mac 及 Windows/Linux 无法运行 模型下载体积：首次使用需下载 75MB-3GB 模型，对存储和带宽有要求 无实时流式识别：仅支持文件批处理，不具备麦克风实时转录能力 英语优化明显：Whisper 系列对英语识别效果最佳，中文、小语种在长句、专业术语场景下错误率上升 无说话人分离：不具备区分多说话人的 diarization 功能 适合人群 注重隐私的播客/视频创作者 Apple Silicon 用户且有离线转录需求 需要批量生成字幕的后期制作人员 对 API 调用成本敏感的个人或小型团队 常规风险 存储占用：模型缓存可能累积至数 GB，需定期清理 ~/.cache/huggingface/ 转录错误依赖：医疗、法律等高精度场景需人工校对，不可直接作为凭证 模型来源：虽为社区维护的 MLX 移植版本，但权重源自 OpenAI Whisper，需遵守相应许可 原始说明 Local speech-to-text with MLX Whisper (Apple Silicon optimized, no API key).