Referencia de CLI

El binario speech es el punto de entrada principal para todas las tareas de procesamiento de voz. Compila con make build y luego ejecuta desde .build/release/speech.

transcribe

Transcribe archivos de audio a texto.

speech transcribe <file> [options]

Opción	Por defecto	Descripción
`<file>`		Archivo de audio a transcribir (WAV, M4A, MP3, CAF)
`--engine`	`qwen3`	Motor ASR: `qwen3`, `qwen3-coreml`, `parakeet`, `nemotron`, `omnilingual`, `cohere`, `voxtral`, `moss`, `whisper`
`--model, -m`	`0.6B`	Variante del modelo: `0.6B`, `1.7B`, o un ID completo de modelo de HuggingFace (solo qwen3) `[whisper]`: `default`, `turbo`, or full CoreML HuggingFace repo ID. `[cohere/voxtral]`: INT5 (predeterminado), INT8, FP16, un ID de modelo de Hugging Face o un directorio local. `[moss coreml]`: `int8` (predeterminado) o `fp16`; `[moss mlx]`: `int5` (predeterminado) o `int8`. También acepta un repositorio compatible de Hugging Face o un directorio local.
`--max-tokens`	CoreML: `512` MLX: `5120`	`[moss]` Número máximo de tokens de transcripción generados.
`--kv-cache`	`fp16`	`[moss mlx]` Precisión de la caché KV dinámica: `fp16` o `int8`.
`--language`		Pista de idioma (opcional, ignorada por omnilingual)
`--window`	`10`	`[omnilingual]` Tamaño de ventana CoreML en segundos: `5` o `10`
`--backend`	`coreml`	`[omnilingual]` Backend: `coreml` (Neural Engine) o `mlx` (GPU Metal) `[moss]` CoreML usa un estado fijo de 1.024 tokens; MLX ofrece un contexto dinámico de 131.072 tokens.
`--variant`	`300M`	`[omnilingual mlx]` Tamaño: `300M`, `1B`, `3B` o `7B`
`--bits`	`4`	`[omnilingual mlx]` Bits de cuantización: `4` u `8`
`--stream`		Activa la transcripción en streaming con VAD
`--max-segment`	`10`	Duración máxima del segmento en segundos (streaming)
`--partial`		Emite resultados parciales durante el habla (streaming)

Ejemplos:

# 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, INT5 predeterminado)
speech transcribe recording.wav --engine cohere
speech transcribe recording.wav --engine cohere --model int8 --language de

# Voxtral Mini 3B (MLX, INT5 predeterminado)
speech transcribe recording.wav --engine voxtral
speech transcribe recording.wav --engine voxtral --model int8 --language fr

# MOSS Transcribe Diarize (CoreML para audio corto)
speech transcribe recording.wav --engine moss
speech transcribe recording.wav --engine moss --model fp16

# MOSS Transcribe Diarize (contexto MLX offline de 128K; INT5 predeterminado)
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 --partial

align

Alineación forzada a nivel de palabra — obtén marcas temporales precisas para cada palabra.

speech align <file> [options]

Opción	Por defecto	Descripción
`<file>`		Archivo de audio
`--text, -t`		Texto a alinear (si se omite, primero transcribe)
`--model, -m`	`0.6B`	Modelo ASR para transcripción: `0.6B`, `1.7B`, o ID completo
`--aligner-model`		ID del modelo del alineador forzado
`--language`		Pista de idioma

Ejemplos:

# 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

Síntesis de texto a voz.

speech speak "<text>" [options]

Opción	Por defecto	Descripción
`<text>`		Texto a sintetizar (opcional si se usa `--batch-file`)
`--engine`	`qwen3`	Motor TTS: `qwen3`, `cosyvoice`, `voxcpm2`, `indextts2`, `f5`, `higgs`, `indic-mio`, `magpie` o `magpie-coreml`
`--output, -o`	`output.wav`	Ruta del archivo WAV de salida
`--language`	`english`	Idioma. Omítelo para usar el dialecto nativo del hablante cuando se define `--speaker`.
`--stream`		Activa la síntesis en streaming
`--voice-sample`		Audio de referencia para clonación de voz (funciona con `qwen3`, `cosyvoice`, `voxcpm2`, `f5`, `higgs` e `indextts2`)
`--verbose`		Muestra información de tiempos detallada

Opciones de Qwen3-TTS

Opción	Por defecto	Descripción
`--model`	`base`	Variante del modelo: `base`, `customVoice` o ID completo de HF
`--speaker`		Voz del hablante (requiere `--model customVoice`)
`--instruct`		Instrucción de estilo (modelo CustomVoice)
`--list-speakers`		Lista los hablantes disponibles y sale
`--temperature`	`0.3`	Temperatura de muestreo
`--top-k`	`50`	Muestreo top-k
`--max-tokens`	`500`	Tokens máximos (500 = ~40s de audio)
`--batch-file`		Archivo con un texto por línea para síntesis por lotes
`--batch-size`	`4`	Tamaño máximo de lote para generación paralela
`--first-chunk-frames`	`3`	Frames de códec en el primer fragmento en streaming
`--chunk-frames`	`25`	Frames de códec por fragmento en streaming

Opciones de CosyVoice3

Opción	Por defecto	Descripción
`--speakers`		Mapeo de hablantes para diálogo multi-hablante: `s1=alice.wav,s2=bob.wav`
`--cosy-instruct`		Instrucción de estilo (anula la predeterminada). Controla el estilo de voz para CosyVoice3.
`--turn-gap`	`0.2`	Silencio entre turnos de diálogo en segundos
`--crossfade`	`0.0`	Solapamiento de crossfade entre turnos en segundos
`--model-id`		ID de modelo de HuggingFace

Opciones de IndexTTS2

IndexTTS2 es un motor de clonación zero-shot respaldado por un bundle MLX expandido. Requiere --voice-sample y actualmente solo ejecuta síntesis por lotes.

Opción	Por defecto	Descripción
`--indextts2-model-id`	`aufklarer/IndexTTS2-MLX-fp16`	ID del modelo en HuggingFace. Por defecto `aufklarer/IndexTTS2-MLX-fp16`.
`--indextts2-bundle-dir`		Carga un bundle expandido local en lugar de descargar desde Hugging Face.
`--indextts2-emotion-audio`		Audio opcional de referencia de emoción/estilo. Por defecto usa la referencia del hablante.
`--indextts2-emotion`		Preset opcional o vector de emoción de 8 valores. Incluye `eager`, `happy`, `excited` y `calm`.
`--indextts2-emotion-weight`	`1.0`	Escala `--indextts2-emotion`; mantenlo moderado si importa la identidad del hablante.
`--indextts2-speaking-rate`	`1.0`	Multiplicador de velocidad de `0.5` a `1.5`; valores mayores que `1.0` son más rápidos.
`--indextts2-max-pause`		Límite opcional, en segundos, para pausas internas largas de baja energía.
`--indextts2-s2mel-steps`	`15`	Pasos de flujo S2Mel (15 por defecto, validado de oído; 25 replica exactamente el upstream)

F5-TTS Options

Opción	Por defecto	Descripción
`--f5-reference-text`		Transcripción de referencia: el texto de --voice-sample (obligatoria)
`--f5-steps`	`16`	Pasos de flow matching (16 por defecto; 32 para máxima fidelidad)
`--f5-cfg-strength`	`2.0`	Intensidad de la guía sin clasificador
`--f5-sway`	`-1.0`	Coeficiente de muestreo sway
`--f5-speed`	`1.0`	Multiplicador de velocidad de habla
`--f5-seed`	`0`	Semilla para salida determinista
`--f5-target-rms`	`0.1`	Objetivo de normalización RMS de la referencia
`--f5-model-id`		ID de modelo de Hugging Face
`--f5-bundle-dir`		Cargar un bundle desde este directorio local

Higgs TTS 3 Options

Opción	Por defecto	Descripción
`--higgs-ref-text`		Transcripción de referencia: el texto de --voice-sample (mejora la clonación)
`--higgs-temperature`	`0.8`	Temperatura de muestreo (0.8 por defecto)
`--higgs-top-p`		Umbral de muestreo nucleus (desactivado por defecto)
`--higgs-top-k`		Corte top-k (desactivado por defecto)
`--higgs-max-new-tokens`	`2048`	Máximo de fotogramas de audio generados (25 por segundo)
`--higgs-seed`	`0`	Semilla para salida determinista
`--higgs-model-id`		ID de modelo de Hugging Face
`--higgs-bundle-dir`		Cargar un bundle desde este directorio local

Ejemplos:

# 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 4

kokoro

Texto a voz ligero usando Kokoro-82M en el Neural Engine (CoreML). No autoregresivo — una sola pasada hacia adelante, latencia de ~45 ms.

speech kokoro "<text>" [options]

Opción	Por defecto	Descripción
`<text>`		Texto a sintetizar
`--voice`	`af_heart`	Preset de voz (50 disponibles en 10 idiomas)
`--language`	`en`	Código de idioma: en, es, fr, hi, it, ja, pt, zh, ko, de
`--output, -o`	`kokoro_output.wav`	Ruta del archivo WAV de salida
`--list-voices`		Lista todas las voces disponibles y sale
`--model, -m`		ID de modelo de HuggingFace

Ejemplos:

# 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-voices

respond

Diálogo de voz a voz full-duplex usando PersonaPlex 7B.

speech respond [options]

Opción	Por defecto	Descripción
`--input, -i`		Archivo WAV de audio de entrada (24 kHz mono) (obligatorio)
`--output, -o`	`response.wav`	Archivo WAV de respuesta de salida
`--voice`	`NATM0`	Preset de voz (p. ej. NATM0, NATF1, VARF0)
`--system-prompt`	`assistant`	Preset: `assistant`, `focused`, `customer-service`, `teacher`
`--system-prompt-text`		Texto personalizado del system prompt (anula el preset)
`--max-steps`	`200`	Pasos máximos de generación a 12.5 Hz (~16 s)
`--stream`		Emite fragmentos de audio durante la generación
`--compile`		Activa el transformador compilado (calentamiento + fusión de kernels)
`--list-voices`		Lista los presets de voz disponibles
`--list-prompts`		Lista los presets de system prompt disponibles
`--transcript`		Imprime el texto del monólogo interior del modelo
`--json`		Salida en JSON (transcripción, latencia, ruta de audio)
`--verbose`		Muestra información de tiempos detallada

Ajustes de muestreo

Opción	Por defecto	Descripción
`--audio-temp`	`0.8`	Temperatura de muestreo de audio
`--text-temp`	`0.7`	Temperatura de muestreo de texto
`--audio-top-k`	`250`	Candidatos top-k de audio
`--repetition-penalty`	`1.2`	Penalización de repetición de audio (1.0 = desactivada)
`--text-repetition-penalty`	`1.2`	Penalización de repetición de texto (1.0 = desactivada)
`--repetition-window`	`30`	Ventana de penalización de repetición en frames
`--silence-early-stop`	`15`	Frames de silencio antes de la parada temprana (0 = desactivado)
`--entropy-threshold`	`0`	Umbral de entropía de texto para parada temprana (0 = desactivado)
`--entropy-window`	`10`	Pasos consecutivos de baja entropía antes de la parada temprana

Ejemplos:

# 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 --verbose

vad

Detección de actividad vocal offline usando segmentación Pyannote.

speech vad <file> [options]

Opción	Descripción
`<file>`	Archivo de audio a analizar
`--model, -m`	ID de modelo de HuggingFace
`--onset`	Umbral de inicio (comienzo del habla)
`--offset`	Umbral de fin (final del habla)
`--min-speech`	Duración mínima del habla en segundos
`--min-silence`	Duración mínima del silencio en segundos
`--json`	Salida en JSON

vad-stream

Detección de actividad vocal en streaming usando Silero VAD v5. Procesa audio en fragmentos de 32 ms.

speech vad-stream <file> [options]

Opción	Descripción
`<file>`	Archivo de audio a analizar
`--engine`	Motor de VAD: `mlx` (por defecto) o `coreml`
`--model, -m`	ID de modelo de HuggingFace (autoseleccionado por el motor)
`--onset`	Umbral de inicio
`--offset`	Umbral de fin
`--min-speech`	Duración mínima del habla en segundos
`--min-silence`	Duración mínima del silencio en segundos
`--json`	Salida en JSON

wake

Detección de palabras clave en el dispositivo usando el KWS Zipformer (3,49M parámetros, CoreML INT8, 26× tiempo real, solo inglés).

speech wake <file> [options]

Opción	Descripción
`<file>`	Archivo de audio a analizar
`--keywords`	Una o más palabras clave. Formatos: `"hey soniqo"`, `"hey soniqo:0.15:0.5"` o `"LIGHT UP\|▁ L IGHT ▁UP:0.25:2.0"` (estilo sherpa-onnx con piezas BPE explícitas)
`--keywords-file`	Archivo de palabras clave, una entrada por línea
`--model, -m`	ID de modelo de HuggingFace. Por defecto: `aufklarer/KWS-Zipformer-3M-CoreML-INT8`
`--json`	Salida en JSON

diarize

Diarización de hablantes — identifica quién habló cuándo.

speech diarize <file> [options]

Opción	Por defecto	Descripción
`<file>`		Archivo de audio a analizar
`--engine`	`pyannote`	Motor de diarización: `pyannote`, `community1` (CoreML + PLDA/VBx nativo) o `sortformer`
`--community1-compute-units`	`ane`	Unidades de cómputo CoreML de Community-1: `ane`, `cpu`, `gpu` o `all`
`--num-speakers`		Número exacto conocido de hablantes para Community-1
`--min-speakers`	`1`	Número mínimo de hablantes para Community-1
`--max-speakers`		Número máximo de hablantes para Community-1
`--target-speaker`		Audio de enrolamiento para extracción del hablante objetivo (solo pyannote)
`--embedding-engine`	`mlx`	Motor de embedding de hablante: `mlx` o `coreml` (solo pyannote)
`--vad-filter`		Pre-filtra con Silero VAD (solo pyannote)
`--rttm`		Salida en formato RTTM
`--json`		Salida en JSON
`--score-against`		Archivo RTTM de referencia para calcular DER

Ejemplos:

# 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.rttm

embed-speaker

Extrae un vector de embedding de hablante a partir de audio.

speech embed-speaker <file> [options]

Opción	Descripción
`<file>`	Archivo de audio con la voz del hablante
`--engine`	`mlx` (por defecto) o `coreml` para WeSpeaker 256-dim; `redimnet2` para identidad persistente CoreML 192-dim; `camplusplus` para CAM++ CoreML 192-dim
`--json`	Salida en JSON

denoise

Elimina el ruido de fondo usando DeepFilterNet3 en el Neural Engine.

speech denoise <file> [options]

Opción	Por defecto	Descripción
`<file>`		Archivo de audio de entrada
`--output, -o`	`input_clean.wav`	Ruta del archivo de salida
`--model, -m`		ID de modelo de HuggingFace

Ejemplo:

speech denoise noisy-recording.wav -o clean.wav

compose

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.wav

transcribe-batch

Transcribe un directorio de archivos de audio; el modelo se carga una sola vez.

speech transcribe-batch <input-dir> [options]

Opción	Por defecto	Descripción
`<input-dir>`		Directorio de archivos de audio a transcribir (WAV, FLAC, etc.)
`--output-dir`		Directorio de salida para las transcripciones
`--engine`	`qwen3`	Motor ASR (mismos valores que transcribe)
`--jsonl`		Salida como JSON lines, una por archivo

restore

Restaura la voz (reducción de ruido + de reverberación) con Sidon — CoreML, salida a 48 kHz.

speech restore <audio-file> [options]

Opción	Por defecto	Descripción
`--output, -o`	`input_restored.wav`	Ruta del WAV de salida (48 kHz)
`--variant`	`fp16`	Variante de precisión / bundle

separate

Separa una pista musical en stems (vocals, drums, bass, other).

speech separate <input> [options]

Opción	Por defecto	Descripción
`--stems`	`vocals,drums,bass,other`	Pistas a extraer: vocals, drums, bass, other
`--engine`	`umx`	Motor: umx (por defecto) o htdemucs (mayor calidad)
`--output-dir`		Directorio de salida para las transcripciones

upsample

Superresolución de audio con FlashSR — AudioSR destilado de un paso, salida a 48 kHz.

speech upsample <audio-file> [options]

Opción	Por defecto	Descripción
`--output, -o`	`hr.wav`	Ruta del WAV de salida (48 kHz)
`--variant`	`int4`	Variante de precisión / bundle
`--seed`		Semilla para salida determinista

qwen3-tts-coreml

Texto a voz con Qwen3-TTS en CoreML (Neural Engine).

speech qwen3-tts-coreml "<text>" [options]

Opción	Por defecto	Descripción
`--output, -o`	`output.wav`	Ruta del WAV de salida
`--language`	`english`	Idioma de salida
`--model`		ID de modelo de Hugging Face

vibevoice

Texto a voz con Microsoft VibeVoice (MLX).

speech vibevoice "<text>" --voice-cache <cache> [options]

Opción	Por defecto	Descripción
`--voice-cache, -v`		Caché de voz creada con vibevoice-encode-voice (obligatoria)
`--steps`		Pasos de inferencia DPM-Solver (más pasos, mejor calidad)
`--cfg`	`1.3`	Intensidad de la guía sin clasificador
`--long-form`		Síntesis de formato largo por fragmentos

vibevoice-encode-voice

Crea una caché de voz de VibeVoice a partir de una grabación de referencia y su transcripción.

speech vibevoice-encode-voice <input> "<transcript>" [options]

Opción	Por defecto	Descripción
`<input>`		Archivo de audio de referencia
`<transcript>`		Transcripción del audio de referencia (solo inglés)
`--output, -o`		Caché de voz de salida (.safetensors)

translate

Traduce texto al idioma destino con MADLAD-400 (MLX).

speech translate "<text>" --to <lang> [options]

Opción	Por defecto	Descripción
`--to, -t`		Código del idioma destino (ISO 639-1, p. ej. es, zh, ja)
`--stream`		Transmitir tokens mientras decodifica
`--model`		ID de modelo de Hugging Face

avatar-motion

Genera fotogramas de coeficientes de movimiento de avatar NVIDIA Audio2Face-3D a partir de audio de voz.

speech avatar-motion <input> [options]

Opción	Por defecto	Descripción
`--output, -o`	`avatar-motion.jsonl`	Ruta del JSONL de salida
`--model`	`…James-MLX`	Bundle de identidad del avatar (James por defecto; Claire y Mark disponibles)
`--verbose`		Mostrar tiempos y número de fotogramas