meng shao（@shao__meng）のスレッド

[オープンソース推奨] MLX-Audio Studio：オーディオ生成と処理に特化したオープンソースのUIツールです。MLX-Audioライブラリをベースに開発されており、Apple Siliconデバイスに対応しているため、ユーザーはローカルで簡単にオーディオを生成・書き起こすことができます。MLX-Audio、Transformers、OpenAIなどのサービスなど、様々なバックエンドオプションをサポートしています。 コア機能: オーディオ生成と文字起こし: TTS および STT 機能を提供し、ユーザーはシンプルなインターフェースでテキストを入力してオーディオを生成したり、文字起こし用のオーディオ ファイルをアップロードしたりできます。 • マルチバックエンドのサポート: さまざまなフレームワークとの柔軟な統合。ユーザーは、ローカルの MLX-Audio モデルまたはその他の外部 API を選択して、カスタム オーディオ処理を実装できます。 • ユーザーインターフェースデザイン：ダークモードに対応したモダンなウェブインターフェース。モデル選択、速度/ピッチ/音量調整、長文テキスト処理、オーディオプレーヤーなどを備えています。履歴、設定、APIアクセスなど、直感的なインターフェースを備えています。 • スケーラビリティ: 将来的には、音声の複製や高度な編集などのタスクが追加され、オーディオ アプリケーションの汎用性が向上します。 MLX-Audio のコア機能を見てみましょう。高効率推論: MLX フレームワークを使用して Apple Silicon 上でネイティブに実行され、高速な生成と処理を提供し、8 ビットの量子化をサポートしてメモリ使用量を削減し、速度を向上させます。 • 多言語サポート: デフォルトでアメリカ英語とイギリス英語をサポートし、オプションの依存関係を通じて日本語と中国語に拡張できます。 • 音声カスタマイズ：複数の音声プリセット（af_heart、af_nova、bf_emmaなど）が組み込まれており、速度調整（0.5倍〜2.0倍）をサポートします。 • ユーザー インターフェイスと API: 最新の Web UI (3D オーディオ視覚化、ファイルのアップロードと再生機能付き) と FastAPI ベースの REST API (OpenAI スタイルの TTS および STT インターフェイスと互換性あり) が含まれています。 • ファイル管理: 生成されたファイルはデフォルトで ~/.mlx_audio/outputs ディレクトリに保存され、Finder またはエクスプローラーで直接開くことができます。 • Swift 統合: macOS および iOS 上のネイティブ TTS 用の mlx-swift-audio パッケージを提供し、ストリーミング生成と生の PCM 出力をサポートします。 その他の機能には、音声クローン（リファレンスオーディオ経由）、リアルタイムオーディオブロック生成、オプションのストリーミングおよび量子化オプションのサポートが含まれます。 オープンソースアドレス