MLX Whisper 语音转文字

利用 Apple Silicon 的 MLX 框架本地转录语音，速度是 OpenAI Whisper 的 10 倍。完全离线，隐私安全。

使用场景

• 用户说「帮我把这段录音转成文字」「转录这个音频文件」
• 需要快速转录会议录音、语音备忘录
• 优先于 openai-whisper（更快）和 openai-whisper-api（免费、隐私）

前置条件

pip install mlx-whisper

需要 Apple Silicon Mac（M1/M2/M3/M4）。

执行方式

基本转录

import mlx_whisper

result = mlx_whisper.transcribe(
    "audio.mp3",
    path_or_hf_repo="mlx-community/whisper-large-v3-turbo",
)
print(result["text"])

带时间戳

result = mlx_whisper.transcribe(
    "audio.mp3",
    path_or_hf_repo="mlx-community/whisper-large-v3-turbo",
    word_timestamps=True,
)
for segment in result["segments"]:
    print(f"[{segment['start']:.1f}s - {segment['end']:.1f}s] {segment['text']}")

模型选择

模型	大小	速度	准确度
whisper-tiny	39M	最快	一般
whisper-base	74M	快	较好
whisper-small	244M	中	好
whisper-large-v3-turbo	809M	较慢	最佳

默认使用 large-v3-turbo，短音频（<1分钟）可用 small 加速。

语言指定

result = mlx_whisper.transcribe("audio.mp3", language="zh")

输出规范

• 默认输出纯文本
• 用户需要时提供带时间戳的分段输出
• 长音频显示转录进度
• 首次使用时自动下载模型（约 800MB），提醒用户