CLI-Referenz
Die speech-Binary ist der zentrale Einstiegspunkt für alle Sprachverarbeitungs-Aufgaben. Baue mit make build und führe sie dann aus .build/release/speech aus.
transcribe
Transkribiere Audiodateien zu Text.
speech transcribe <file> [options]| Option | Standard | Beschreibung |
|---|---|---|
<file> | Zu transkribierende Audiodatei (WAV, M4A, MP3, CAF) | |
--engine | qwen3 | ASR-Engine: qwen3, qwen3-coreml, parakeet, nemotron, omnilingual, cohere, voxtral, moss, whisper |
--model, -m | 0.6B | Modellvariante: 0.6B, 1.7B oder vollständige HuggingFace-Modell-ID (nur qwen3) [whisper]: default, turbo, or full CoreML HuggingFace repo ID.[cohere/voxtral]: INT5 (Standard), INT8, FP16, eine Hugging-Face-Modell-ID oder ein lokales Verzeichnis. [moss coreml]: int8 (Standard) oder fp16; [moss mlx]: int5 (Standard) oder int8. Auch eine kompatible Hugging-Face-Repository-ID oder ein lokales Verzeichnis wird akzeptiert. |
--max-tokens | CoreML: 512MLX: 5120 | [moss] Maximale Anzahl erzeugter Transkript-Tokens. |
--kv-cache | fp16 | [moss mlx] Präzision des dynamischen KV-Caches: fp16 oder int8. |
--language | Sprachhinweis (optional, wird von omnilingual ignoriert) | |
--window | 10 | [omnilingual] CoreML-Fenstergröße in Sekunden: 5 oder 10 |
--backend | coreml | [omnilingual] Backend: coreml (Neural Engine) oder mlx (Metal-GPU)[moss] CoreML nutzt einen festen 1.024-Token-Zustand; MLX bietet einen dynamischen Kontext mit 131.072 Tokens. |
--variant | 300M | [omnilingual mlx] Größe: 300M, 1B, 3B oder 7B |
--bits | 4 | [omnilingual mlx] Quantisierungs-Bits: 4 oder 8 |
--stream | Streaming-Transkription mit VAD aktivieren | |
--max-segment | 10 | Maximale Segmentdauer in Sekunden (Streaming) |
--partial | Teilergebnisse während der Spracheingabe ausgeben (Streaming) |
Beispiele:
# Basic transcription
speech transcribe recording.wav
# Use larger model
speech transcribe recording.wav --model 1.7B
# CoreML encoder (Neural Engine + MLX decoder)
speech transcribe recording.wav --engine qwen3-coreml
# Use Parakeet (CoreML) engine
speech transcribe recording.wav --engine parakeet
# Use Nemotron Streaming (CoreML, English with native punctuation)
speech transcribe recording.wav --engine nemotron # batch
speech transcribe recording.wav --engine nemotron --stream --partial # streaming
# Omnilingual (CoreML, 1,672 languages)
speech transcribe recording.wav --engine omnilingual # 10 s window
speech transcribe recording.wav --engine omnilingual --window 5 # 5 s window
# Omnilingual (MLX, any length up to 40 s)
speech transcribe recording.wav --engine omnilingual --backend mlx # 300M @ 4-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 1B # 1B @ 4-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 3B --bits 8 # 3B @ 8-bit
speech transcribe recording.wav --engine omnilingual --backend mlx --variant 7B # 7B @ 4-bit
# Cohere Transcribe 2B (MLX, standardmäßig INT5)
speech transcribe recording.wav --engine cohere
speech transcribe recording.wav --engine cohere --model int8 --language de
# Voxtral Mini 3B (MLX, standardmäßig INT5)
speech transcribe recording.wav --engine voxtral
speech transcribe recording.wav --engine voxtral --model int8 --language fr
# MOSS Transcribe Diarize (CoreML, Kurzform)
speech transcribe recording.wav --engine moss
speech transcribe recording.wav --engine moss --model fp16
# MOSS Transcribe Diarize (MLX, 128K Offline-Kontext; INT5 als Standard)
speech transcribe meeting.wav --engine moss --backend mlx
speech transcribe meeting.wav --engine moss --backend mlx --model int8 --kv-cache int8
# Whisper Large-v3 Turbo (CoreML)
speech transcribe recording.wav --engine whisper
speech transcribe recording.wav --engine whisper --model turbo --language de
# Streaming with VAD
speech transcribe recording.wav --stream --partialalign
Wortgenaues Forced Alignment — erhalte präzise Zeitstempel für jedes Wort.
speech align <file> [options]| Option | Standard | Beschreibung |
|---|---|---|
<file> | Audiodatei | |
--text, -t | Zu alignierender Text (wenn nicht angegeben, wird zuerst transkribiert) | |
--model, -m | 0.6B | ASR-Modell zur Transkription: 0.6B, 1.7B oder vollständige ID |
--aligner-model | Modell-ID des Forced Aligners | |
--language | Sprachhinweis |
Beispiele:
# Auto-transcribe then align
speech align recording.wav
# Align with known text
speech align recording.wav --text "Can you guarantee that the replacement part will be shipped tomorrow?"speak
Text-zu-Sprache-Synthese.
speech speak "<text>" [options]| Option | Standard | Beschreibung |
|---|---|---|
<text> | Zu synthetisierender Text (optional bei Verwendung von --batch-file) | |
--engine | qwen3 | TTS-Engine: qwen3, cosyvoice, voxcpm2, indextts2, f5, higgs, indic-mio, magpie oder magpie-coreml |
--output, -o | output.wav | Pfad der ausgegebenen WAV-Datei |
--language | english | Sprache. Weglassen, um den nativen Dialekt des Sprechers zu verwenden, wenn --speaker gesetzt ist. |
--stream | Streaming-Synthese aktivieren | |
--voice-sample | Referenzaudio für Stimmklonen (funktioniert mit qwen3, cosyvoice, voxcpm2, f5, higgs und indextts2) | |
--verbose | Detaillierte Zeitinformationen anzeigen |
Qwen3-TTS-Optionen
| Option | Standard | Beschreibung |
|---|---|---|
--model | base | Modellvariante: base, customVoice oder vollständige HF-Modell-ID |
--speaker | Sprecher-Stimme (erfordert --model customVoice) | |
--instruct | Stilanweisung (CustomVoice-Modell) | |
--list-speakers | Verfügbare Sprecher auflisten und beenden | |
--temperature | 0.3 | Sampling-Temperatur |
--top-k | 50 | Top-k-Sampling |
--max-tokens | 500 | Maximale Tokens (500 = ~40 s Audio) |
--batch-file | Datei mit einem Text pro Zeile für Batch-Synthese | |
--batch-size | 4 | Maximale Batch-Größe für parallele Generierung |
--first-chunk-frames | 3 | Codec-Frames im ersten gestreamten Chunk |
--chunk-frames | 25 | Codec-Frames pro gestreamtem Chunk |
CosyVoice3-Optionen
| Option | Standard | Beschreibung |
|---|---|---|
--speakers | Sprecher-Mapping für Mehrsprecher-Dialog: s1=alice.wav,s2=bob.wav | |
--cosy-instruct | Stilanweisung (überschreibt Standard). Steuert den Stimm-Stil für CosyVoice3. | |
--turn-gap | 0.2 | Pause zwischen Dialog-Turns in Sekunden |
--crossfade | 0.0 | Crossfade-Überlappung zwischen Turns in Sekunden |
--model-id | HuggingFace-Modell-ID |
IndexTTS2-Optionen
IndexTTS2 ist eine Zero-Shot-Stimmklon-Engine mit erweitertem MLX-Bundle. Sie benötigt --voice-sample und läuft derzeit nur als Batch-Synthese.
| Option | Standard | Beschreibung |
|---|---|---|
--indextts2-model-id | aufklarer/IndexTTS2-MLX-fp16 | HuggingFace-Modell-ID. Standard ist aufklarer/IndexTTS2-MLX-fp16. |
--indextts2-bundle-dir | Lädt ein lokales erweitertes Bundle statt von Hugging Face herunterzuladen. | |
--indextts2-emotion-audio | Optionales Referenzaudio für Emotion/Stil. Standard ist die Sprecherreferenz. | |
--indextts2-emotion | Optionales Preset oder 8-Werte-Emotionsvektor. Presets enthalten eager, happy, excited und calm. | |
--indextts2-emotion-weight | 1.0 | Skaliert --indextts2-emotion; moderat halten, wenn Sprecheridentität wichtig ist. |
--indextts2-speaking-rate | 1.0 | Sprechgeschwindigkeitsfaktor von 0.5 bis 1.5; Werte über 1.0 sind schneller. |
--indextts2-max-pause | Optionales Limit für lange interne leise Pausen in Sekunden. | |
--indextts2-s2mel-steps | 15 | S2Mel-Flow-Schritte (Standard 15, hörvalidiert; 25 entspricht exakt dem Upstream) |
F5-TTS Options
| Option | Standard | Beschreibung |
|---|---|---|
--f5-reference-text | Referenztranskript: der Textinhalt von --voice-sample (erforderlich) | |
--f5-steps | 16 | Flow-Matching-Schritte (Standard 16; 32 für maximale Treue) |
--f5-cfg-strength | 2.0 | Stärke der Classifier-Free Guidance |
--f5-sway | -1.0 | Sway-Sampling-Koeffizient |
--f5-speed | 1.0 | Sprechtempo-Faktor |
--f5-seed | 0 | Seed für deterministische Ausgabe |
--f5-target-rms | 0.1 | RMS-Normalisierungsziel der Referenz |
--f5-model-id | Hugging-Face-Modell-ID | |
--f5-bundle-dir | Bundle aus diesem lokalen Verzeichnis laden |
Higgs TTS 3 Options
| Option | Standard | Beschreibung |
|---|---|---|
--higgs-ref-text | Referenztranskript: der Textinhalt von --voice-sample (verbessert das Cloning) | |
--higgs-temperature | 0.8 | Sampling-Temperatur (Standard 0.8) |
--higgs-top-p | Nucleus-Sampling-Schwelle (standardmäßig aus) | |
--higgs-top-k | Top-k-Sampling-Grenze (standardmäßig aus) | |
--higgs-max-new-tokens | 2048 | Maximal erzeugte Audioframes (25 pro Sekunde) |
--higgs-seed | 0 | Seed für deterministische Ausgabe |
--higgs-model-id | Hugging-Face-Modell-ID | |
--higgs-bundle-dir | Bundle aus diesem lokalen Verzeichnis laden |
Beispiele:
# Basic TTS
speech speak "Hello, world!" --output hello.wav
# Voice cloning (Qwen3-TTS)
speech speak "Hello in your voice" --voice-sample reference.wav -o cloned.wav
# Voice cloning (CosyVoice)
speech speak "Hello in your voice" --engine cosyvoice --voice-sample reference.wav -o cloned.wav
# Voice cloning (IndexTTS2)
speech speak "Hello in your voice" --engine indextts2 \
--voice-sample reference.wav --indextts2-speaking-rate 1.35 \
--indextts2-max-pause 0.05 -o indextts2.wav
# CosyVoice multilingual
speech speak "Hallo Welt" --engine cosyvoice --language german -o hallo.wav
# Multi-speaker dialogue
speech speak "[S1] Hello there! [S2] Hey, how are you?" \
--engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o dialogue.wav
# Inline emotion/style tags
speech speak "(excited) Wow, amazing! (sad) But I have to go..." \
--engine cosyvoice -o emotion.wav
# Combined: dialogue + emotions + voice cloning
speech speak "[S1] (happy) Great news! [S2] (surprised) Really?" \
--engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o combined.wav
# Custom style instruction
speech speak "Hello world" --engine cosyvoice --cosy-instruct "Speak cheerfully" -o cheerful.wav
# Streaming synthesis
speech speak "Long text here..." --stream
# Batch synthesis from file
speech speak --batch-file texts.txt --batch-size 4kokoro
Leichtgewichtige Text-zu-Sprache-Synthese mit Kokoro-82M auf der Neural Engine (CoreML). Nicht-autoregressiv — ein einziger Forward-Pass, ~45 ms Latenz.
speech kokoro "<text>" [options]| Option | Standard | Beschreibung |
|---|---|---|
<text> | Zu synthetisierender Text | |
--voice | af_heart | Stimmvoreinstellung (50 verfügbar in 10 Sprachen) |
--language | en | Sprachcode: en, es, fr, hi, it, ja, pt, zh, ko, de |
--output, -o | kokoro_output.wav | Pfad der ausgegebenen WAV-Datei |
--list-voices | Alle verfügbaren Stimmen auflisten und beenden | |
--model, -m | HuggingFace-Modell-ID |
Beispiele:
# Basic Kokoro TTS
speech kokoro "Hello, world!" --voice af_heart -o hello.wav
# French voice
speech kokoro "Bonjour le monde" --voice ff_siwis --language fr -o bonjour.wav
# List all 50 voices
speech kokoro --list-voicesrespond
Vollduplex-Sprache-zu-Sprache-Dialog mit PersonaPlex 7B.
speech respond [options]| Option | Standard | Beschreibung |
|---|---|---|
--input, -i | Eingabe-WAV-Datei (24 kHz Mono) (erforderlich) | |
--output, -o | response.wav | Ausgabe-WAV-Datei der Antwort |
--voice | NATM0 | Stimmvoreinstellung (z. B. NATM0, NATF1, VARF0) |
--system-prompt | assistant | Voreinstellung: assistant, focused, customer-service, teacher |
--system-prompt-text | Eigener System-Prompt-Text (überschreibt Voreinstellung) | |
--max-steps | 200 | Maximale Generierungsschritte bei 12,5 Hz (~16 s) |
--stream | Audio-Chunks während der Generierung ausgeben | |
--compile | Kompilierten Transformer aktivieren (Warmup + Kernel-Fusion) | |
--list-voices | Verfügbare Stimmvoreinstellungen auflisten | |
--list-prompts | Verfügbare System-Prompt-Voreinstellungen auflisten | |
--transcript | Inneren Monolog des Modells als Text ausgeben | |
--json | Ausgabe als JSON (Transkript, Latenz, Audio-Pfad) | |
--verbose | Detaillierte Zeitinformationen anzeigen |
Sampling-Überschreibungen
| Option | Standard | Beschreibung |
|---|---|---|
--audio-temp | 0.8 | Audio-Sampling-Temperatur |
--text-temp | 0.7 | Text-Sampling-Temperatur |
--audio-top-k | 250 | Audio-Top-k-Kandidaten |
--repetition-penalty | 1.2 | Audio-Wiederholungspenalty (1.0 = deaktiviert) |
--text-repetition-penalty | 1.2 | Text-Wiederholungspenalty (1.0 = deaktiviert) |
--repetition-window | 30 | Wiederholungspenalty-Fenster in Frames |
--silence-early-stop | 15 | Stille-Frames vor frühem Abbruch (0 = deaktiviert) |
--entropy-threshold | 0 | Text-Entropie-Schwelle für frühen Abbruch (0 = deaktiviert) |
--entropy-window | 10 | Aufeinanderfolgende Schritte mit niedriger Entropie vor frühem Abbruch |
Beispiele:
# Basic speech-to-speech
speech respond --input question.wav
# Use a female voice with compiled transformer
speech respond -i question.wav --voice NATF1 --compile
# Stream response and show transcript
speech respond -i question.wav --stream --transcript --verbosevad
Offline-Sprachaktivitätserkennung mit Pyannote-Segmentierung.
speech vad <file> [options]| Option | Beschreibung |
|---|---|
<file> | Zu analysierende Audiodatei |
--model, -m | HuggingFace-Modell-ID |
--onset | Onset-Schwelle (Sprachbeginn) |
--offset | Offset-Schwelle (Sprachende) |
--min-speech | Minimale Sprachdauer in Sekunden |
--min-silence | Minimale Stille-Dauer in Sekunden |
--json | Ausgabe als JSON |
vad-stream
Streaming-Sprachaktivitätserkennung mit Silero VAD v5. Verarbeitet Audio in 32-ms-Chunks.
speech vad-stream <file> [options]| Option | Beschreibung |
|---|---|
<file> | Zu analysierende Audiodatei |
--engine | VAD-Engine: mlx (Standard) oder coreml |
--model, -m | HuggingFace-Modell-ID (automatisch je nach Engine) |
--onset | Onset-Schwelle |
--offset | Offset-Schwelle |
--min-speech | Minimale Sprachdauer in Sekunden |
--min-silence | Minimale Stille-Dauer in Sekunden |
--json | Ausgabe als JSON |
wake
Schlüsselworterkennung auf dem Gerät mit dem KWS Zipformer (3,49 Mio. Parameter, CoreML INT8, 26× Echtzeit, nur Englisch).
speech wake <file> [options]| Option | Beschreibung |
|---|---|
<file> | Zu analysierende Audiodatei |
--keywords | Ein oder mehrere Schlüsselwörter. Formate: "hey soniqo", "hey soniqo:0.15:0.5" oder "LIGHT UP|▁ L IGHT ▁UP:0.25:2.0" (sherpa-onnx-Stil mit expliziten BPE-Stücken) |
--keywords-file | Schlüsselwortdatei, ein Eintrag pro Zeile |
--model, -m | HuggingFace-Modell-ID. Standard: aufklarer/KWS-Zipformer-3M-CoreML-INT8 |
--json | Ausgabe als JSON |
diarize
Sprecherdiarisierung — identifiziert, wer wann gesprochen hat.
speech diarize <file> [options]| Option | Standard | Beschreibung |
|---|---|---|
<file> | Zu analysierende Audiodatei | |
--engine | pyannote | Diarisierungs-Engine: pyannote, community1 (CoreML + natives PLDA/VBx) oder sortformer |
--community1-compute-units | ane | Community-1 CoreML-Recheneinheiten: ane, cpu, gpu oder all |
--num-speakers | Bekannte genaue Sprecherzahl für Community-1 | |
--min-speakers | 1 | Minimale Sprecherzahl für Community-1 |
--max-speakers | Maximale Sprecherzahl für Community-1 | |
--target-speaker | Enrollment-Audio zur Zielsprecher-Extraktion (nur pyannote) | |
--embedding-engine | mlx | Sprechereinbettungs-Engine: mlx oder coreml (nur pyannote) |
--vad-filter | Mit Silero VAD vorfiltern (nur pyannote) | |
--rttm | Ausgabe im RTTM-Format | |
--json | Ausgabe als JSON | |
--score-against | RTTM-Referenzdatei zur DER-Berechnung |
Beispiele:
# Basic diarization (pyannote, default)
speech diarize meeting.wav
# End-to-end Sortformer (CoreML, Neural Engine)
speech diarize meeting.wav --engine sortformer
# RTTM output for evaluation
speech diarize meeting.wav --rttm
# Target speaker extraction (pyannote only)
speech diarize meeting.wav --target-speaker enrollment.wav
# Score against reference
speech diarize meeting.wav --score-against reference.rttmembed-speaker
Extrahiert einen Sprechereinbettungs-Vektor aus Audio.
speech embed-speaker <file> [options]| Option | Beschreibung |
|---|---|
<file> | Audiodatei mit der Stimme des Sprechers |
--engine | mlx (Standard) oder coreml für WeSpeaker 256-dim; redimnet2 für persistente Identität CoreML 192-dim; camplusplus für CAM++ CoreML 192-dim |
--json | Ausgabe als JSON |
denoise
Entfernt Hintergrundgeräusche mit DeepFilterNet3 auf der Neural Engine.
speech denoise <file> [options]| Option | Standard | Beschreibung |
|---|---|---|
<file> | Eingabe-Audiodatei | |
--output, -o | input_clean.wav | Ausgabe-Dateipfad |
--model, -m | HuggingFace-Modell-ID |
Beispiel:
speech denoise noisy-recording.wav -o clean.wavcompose
Generate 30 s of music from a text prompt using MAGNeT on MLX.
speech compose <prompt> [options]| Option | Default | Description |
|---|---|---|
<prompt> | Text prompt describing the music to generate (e.g. "happy rock") | |
--output, -o | magnet.wav | Output WAV path (32 kHz mono) |
--variant | small-int4 | Model variant: small-int4, small-int8, medium-int4, or medium-int8. Resolves to aufklarer/MAGNeT-{Small,Medium}-30secs-MLX-{4,8}bit. |
--temperature | 3.0 | Sampling temperature, annealed linearly per stage. |
--top-p | 0.9 | Nucleus sampling threshold. |
--cfg-max | 10.0 | Max classifier-free guidance coefficient. |
--cfg-min | 1.0 | Min CFG coefficient (annealed alongside the mask schedule). |
--steps | 20,10,10,10 | Comma-separated decoding iterations per codebook (4 values). |
--seed | Random seed for reproducible output. |
Examples:
# Default: small-int4, ~10 s wall on M-series for a 30 s clip
speech compose "happy rock" -o happy_rock.wav
# Larger model — better prompt following, slower
speech compose "lo-fi hip hop with mellow piano" --variant medium-int4 -o lofi.wav
# Reproducible
speech compose "energetic EDM with synth lead" --seed 42 -o edm.wavtranscribe-batch
Transkribiert ein Verzeichnis von Audiodateien; das Modell wird nur einmal geladen.
speech transcribe-batch <input-dir> [options]| Option | Standard | Beschreibung |
|---|---|---|
<input-dir> | Verzeichnis der zu transkribierenden Audiodateien (WAV, FLAC usw.) | |
--output-dir | Ausgabeverzeichnis für die Transkripte | |
--engine | qwen3 | ASR-Engine (gleiche Werte wie transcribe) |
--jsonl | Ausgabe als JSON Lines, eine pro Datei |
restore
Sprachwiederherstellung (Entrauschen + Enthallen) mit Sidon — CoreML, 48-kHz-Ausgabe.
speech restore <audio-file> [options]| Option | Standard | Beschreibung |
|---|---|---|
--output, -o | input_restored.wav | Pfad der WAV-Ausgabedatei (48 kHz) |
--variant | fp16 | Präzisions- / Bundle-Variante |
separate
Trennt einen Musiktitel in Stems (vocals, drums, bass, other).
speech separate <input> [options]| Option | Standard | Beschreibung |
|---|---|---|
--stems | vocals,drums,bass,other | Zu extrahierende Stems: vocals, drums, bass, other |
--engine | umx | Engine: umx (Standard) oder htdemucs (höhere Qualität) |
--output-dir | Ausgabeverzeichnis für die Transkripte |
upsample
Audio-Superresolution mit FlashSR — einstufig destilliertes AudioSR, 48-kHz-Ausgabe.
speech upsample <audio-file> [options]| Option | Standard | Beschreibung |
|---|---|---|
--output, -o | hr.wav | Pfad der WAV-Ausgabedatei (48 kHz) |
--variant | int4 | Präzisions- / Bundle-Variante |
--seed | Seed für deterministische Ausgabe |
qwen3-tts-coreml
Text-zu-Sprache mit Qwen3-TTS auf CoreML (Neural Engine).
speech qwen3-tts-coreml "<text>" [options]| Option | Standard | Beschreibung |
|---|---|---|
--output, -o | output.wav | Pfad der WAV-Ausgabedatei |
--language | english | Ausgabesprache |
--model | Hugging-Face-Modell-ID |
vibevoice
Text-zu-Sprache mit Microsoft VibeVoice (MLX).
speech vibevoice "<text>" --voice-cache <cache> [options]| Option | Standard | Beschreibung |
|---|---|---|
--voice-cache, -v | Voice-Cache aus vibevoice-encode-voice (erforderlich) | |
--steps | DPM-Solver-Inferenzschritte (mehr Schritte, bessere Qualität) | |
--cfg | 1.3 | Stärke der Classifier-Free Guidance |
--long-form | Langform-Synthese in Abschnitten für lange Texte |
vibevoice-encode-voice
Erzeugt einen VibeVoice-Voice-Cache aus Referenzaufnahme plus Transkript.
speech vibevoice-encode-voice <input> "<transcript>" [options]| Option | Standard | Beschreibung |
|---|---|---|
<input> | Referenz-Audiodatei | |
<transcript> | Transkript des Referenzaudios (nur Englisch) | |
--output, -o | Ausgegebener Voice-Cache (.safetensors) |
translate
Übersetzt Text mit MADLAD-400 in eine Zielsprache (MLX).
speech translate "<text>" --to <lang> [options]| Option | Standard | Beschreibung |
|---|---|---|
--to, -t | Zielsprachcode (ISO 639-1, z. B. es, zh, ja) | |
--stream | Tokens beim Dekodieren streamen | |
--model | Hugging-Face-Modell-ID |
avatar-motion
Erzeugt NVIDIA-Audio2Face-3D-Koeffizientenframes für Avatarbewegung aus Sprachaudio.
speech avatar-motion <input> [options]| Option | Standard | Beschreibung |
|---|---|---|
--output, -o | avatar-motion.jsonl | Pfad der JSONL-Ausgabedatei |
--model | …James-MLX | Avatar-Identitäts-Bundle (Standard James; Claire und Mark verfügbar) |
--verbose | Timing und Frame-Anzahl ausgeben |