企业官网建设流程全解析

speech-swift 是一个运行在 Apple Silicon 上的本地语音 AI 工具包，内置的speech命令行工具可以让你一行命令完成语音转文字（ASR）、语音合成（TTS）、语音翻译等任务，全程离线、无需 API Key、数据不出设备。本文按使用场景整理它的 29 条子命令清单，并给出最常用的参数速查。

为什么选择 speech-swift CLI

• ⚡全本地推理：基于 MLX 与 CoreML（Apple 神经网络引擎），Mac 与 iPhone 均可运行
• 🎙️一条命令一个任务：转写、合成、翻译、降噪、说话人分离等能力全部拆成独立子命令
• 🧩多引擎可切换：同一个transcribe命令可在 Qwen3-ASR、Whisper、Cohere、Voxtral、MOSS 等后端之间切换
• 📦一键安装：Homebrew 直接brew install speech，也可用 Swift Package Manager 源码构建

安装只需一步（需原生 ARM 版 Homebrew，macOS 15+）：

brew install speech

也可以从源码构建（会同时编译 MLX Metal 着色器库）：

git clone https://gitcode.com/gh_mirrors/sp/speech-swift cd speech-swift && make build

构建细节见 docs/building.md。

语音转文字：transcribe / transcribe-batch / align

最常用的三条 ASR 命令，默认引擎是 Qwen3-ASR（52 种语言）：

speech transcribe recording.wav # 默认 Qwen3-ASR speech transcribe recording.wav --engine cohere # 换用 Cohere Transcribe 2B speech transcribe recording.wav --engine moss --backend mlx speech transcribe meeting.wav --language zh --context "Project: Foo, participants: Alice, Bob"

实用参数（源码：Sources/AudioCLILib/TranscribeCommand.swift）：

批量转写与词级对齐：

speech transcribe-batch ./wav_dir/ # 整个目录转写，模型只加载一次 speech align talk.wav # 音频+文本 → 词级时间戳

语音合成：speak / kokoro / csm / vibevoice

speak是多引擎 TTS 入口，支持 Qwen3-TTS、CosyVoice、VoxCPM2、F5-TTS、Higgs 等 9 种引擎：

speech speak "Hello world" # 默认 Qwen3-TTS，输出 output.wav speech speak "你好" -o hello.wav --language chinese speech speak "Read the poem" --voice-sample ref.wav # 参考音频克隆音色

更轻量的替代命令（源码见 Sources/AudioCLILib/SpeakCommand.swift）：

speech kokoro "Good morning" --voice af_heart --language en # Kokoro-82M，CoreML 神经引擎 speech csm "Nice to meet you" --ref-audio voice.wav --ref-text "reference transcript" # 对话式 CSM + 克隆 speech vibevoice "chapter text" # 长文/多说话人 TTS，最长 90 分钟 speech qwen3-tts-coreml "Hi" # Qwen3-TTS 的 CoreML 版

翻译：translate（文本）与 audio-translate（语音）

文本翻译基于 MADLAD-400，覆盖 400+ 语言，且支持管道衔接转写结果（源码：Sources/AudioCLILib/TranslateCommand.swift）：

speech translate "Hello, how are you?" --to es speech transcribe talk.wav | speech translate --to zh # 转写 + 翻译一条管道搞定

语音到语音翻译（Hibiki Zero-3B，FR/ES/PT/DE → EN，流式）：

speech audio-translate interview_fr.wav

语音对话：respond 与 voice-chat

speech respond --input question.wav --transcript # PersonaPlex 7B 全双工语音问答 speech voice-chat # Nemotron VoiceChat 11B 终端语音助手

VAD、说话人与唤醒：音频理解的辅助命令

示例（说话人分离引擎可选pyannote/sortformer/community1/nemotron3，见 Sources/AudioCLILib/DiarizeCommand.swift）：

speech diarize meeting.wav --engine sortformer --sortformer-variant streaming

音频增强与生成：denoise / restore / upsample / separate / compose

speech denoise noisy.wav # DeepFilterNet3 降噪（CoreML 默认） speech restore echo.wav # Sidon 降噪 + 去混响，48kHz 输出 speech upsample low.wav # FlashSR 音频超分辨率到 48kHz speech separate song.wav # 音乐分离：人声/鼓/贝斯/其他 4 个 stem speech compose "lo-fi jazz rain" # 文本生成音乐（Stable Audio 3 默认，也可 MAGNeT）

文本理解：gliner 与 clef

speech gliner classify "Remind me to call Dad at six PM." --labels create_reminder,send_message,other speech gliner extract "Call Alice" --labels person,city speech clef decide request.json # 从允许的候选答案中本地决策（Clef-flash）

speech 命令完整清单速查表

所有子命令定义集中注册在 Sources/AudioCLILib/AudioCLI.swift，每条命令一个独立 Swift 文件，阅读源码即可掌握全部参数。

常见问题（FAQ）

Q：运行报Failed to load the default metallib？A：GPU 推理依赖 MLX Metal 着色器库，从源码构建时请使用make build而不是裸swift build，构建脚本会自动生成mlx.metallib。

Q：模型要手动下载吗？A：不需要。首次运行对应命令时会自动从 Hugging Face 下载并缓存模型（带进度条），之后离线复用。

Q：如何选 ASR 引擎？A：追求中文与多语言质量用默认qwen3；追求 iPhone 上极致速度选parakeet或whisper（CoreML 神经引擎）；小语种覆盖最广选omnilingual（1,672 种语言）。

Q：命令支持管道吗？A：支持。如speech transcribe x.wav | speech translate --to es，转写结果可直接作为翻译输入。

掌握这份清单后，从录音转写、语音合成到说话人分析，Apple Silicon 上的本地语音工作流都可以用一行命令完成——把speech --help当作日常速查，就是最直接的 CLI 参考手册。