CLIリファレンス

speechバイナリは、すべての音声処理タスクのメインエントリーポイントです。make buildでビルド後、.build/release/speechから実行します。

transcribe

音声ファイルをテキストに文字起こしします。

speech transcribe <file> [options]

オプション	デフォルト	説明
`<file>`		文字起こしする音声ファイル（WAV、M4A、MP3、CAF）
`--engine`	`qwen3`	ASRエンジン: `qwen3`, `qwen3-coreml`, `parakeet`, `nemotron`, `omnilingual`, `cohere`, `voxtral`, `moss`, `whisper`
`--model, -m`	`0.6B`	モデルバリアント: `0.6B`、`1.7B`、またはHuggingFace完全モデルID（qwen3のみ） `[whisper]`: `default`, `turbo`, or full CoreML HuggingFace repo ID. `[cohere/voxtral]`: INT5（デフォルト）、INT8、FP16、Hugging Face モデル ID、またはローカルディレクトリ. `[moss coreml]`: `int8`（既定）または `fp16`、`[moss mlx]`: `int5`（既定）または `int8`。互換性のある Hugging Face リポジトリ ID またはローカルディレクトリも指定できます。
`--max-tokens`	CoreML: `512` MLX: `5120`	`[moss]` が生成する文字起こしトークンの最大数。
`--kv-cache`	`fp16`	`[moss mlx]` 動的 KV キャッシュ精度：`fp16` または `int8`。
`--language`		言語ヒント（オプション、omnilingualでは無視）
`--window`	`10`	`[omnilingual]` CoreMLウィンドウサイズ（秒）: `5` または `10`
`--backend`	`coreml`	`[omnilingual]` バックエンド: `coreml`（Neural Engine）または `mlx`（Metal GPU） `[moss]` CoreML は固定 1,024-token 状態、MLX は動的 131,072-token コンテキストを使用します。
`--variant`	`300M`	`[omnilingual mlx]` サイズ: `300M`、`1B`、`3B`、または `7B`
`--bits`	`4`	`[omnilingual mlx]` 量子化ビット: `4` または `8`
`--stream`		VAD付きストリーミング文字起こしを有効化
`--max-segment`	`10`	最大セグメント長（秒、streaming時）
`--partial`		発話中に部分結果を出力（streaming時）

例:

# 基本的な文字起こし
speech transcribe recording.wav

# より大きなモデルを使用
speech transcribe recording.wav --model 1.7B

# CoreMLエンコーダー（Neural Engine + MLXデコーダー）
speech transcribe recording.wav --engine qwen3-coreml

# Parakeet（CoreML）エンジンを使用
speech transcribe recording.wav --engine parakeet

# Omnilingual（CoreML、1,672言語）
speech transcribe recording.wav --engine omnilingual                              # 10秒ウィンドウ
speech transcribe recording.wav --engine omnilingual --window 5                     # 5秒ウィンドウ

# Omnilingual（MLX、最大40秒まで任意の長さ）
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、デフォルトは INT5)
speech transcribe recording.wav --engine cohere
speech transcribe recording.wav --engine cohere --model int8 --language de

# Voxtral Mini 3B (MLX、デフォルトは INT5)
speech transcribe recording.wav --engine voxtral
speech transcribe recording.wav --engine voxtral --model int8 --language fr

# MOSS Transcribe Diarize（CoreML 短形式）
speech transcribe recording.wav --engine moss
speech transcribe recording.wav --engine moss --model fp16

# MOSS Transcribe Diarize（MLX 128K オフラインコンテキスト、INT5 が既定）
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

# VAD付きストリーミング
speech transcribe recording.wav --stream --partial

align

単語レベルの強制整列 — すべての単語の正確なタイムスタンプを取得します。

speech align <file> [options]

オプション	デフォルト	説明
`<file>`		音声ファイル
`--text, -t`		整列するテキスト（省略時は最初に文字起こし）
`--model, -m`	`0.6B`	文字起こし用ASRモデル: `0.6B`、`1.7B`、または完全ID
`--aligner-model`		強制整列モデルID
`--language`		言語ヒント

例:

# 自動文字起こし後に整列
speech align recording.wav

# 既知のテキストで整列
speech align recording.wav --text "Can you guarantee that the replacement part will be shipped tomorrow?"

speak

音声合成。

speech speak "<text>" [options]

オプション	デフォルト	説明
`<text>`		合成するテキスト（`--batch-file`使用時はオプション）
`--engine`	`qwen3`	TTSエンジン: `qwen3`、`cosyvoice`、`voxcpm2`、`indextts2`、`indic-mio`、`magpie`、または `magpie-coreml`
`--output, -o`	`output.wav`	出力WAVファイルパス
`--language`	`english`	言語。`--speaker`設定時は省略すると話者のネイティブ方言を使用します。
`--stream`		ストリーミング合成を有効化
`--voice-sample`		音声クローン用の参照音声（`qwen3`、`cosyvoice`、`voxcpm2`, `f5`, `higgs`、`indextts2` で動作）
`--verbose`		詳細なタイミング情報を表示

Qwen3-TTSオプション

オプション	デフォルト	説明
`--model`	`base`	モデルバリアント: `base`、`customVoice`、またはHF完全モデルID
`--speaker`		話者音声（`--model customVoice`が必要）
`--instruct`		スタイル指示（CustomVoiceモデル）
`--list-speakers`		利用可能な話者を一覧表示して終了
`--temperature`	`0.3`	サンプリング温度
`--top-k`	`50`	top-kサンプリング
`--max-tokens`	`500`	最大トークン数（500 = 約40秒の音声）
`--batch-file`		バッチ合成用の1行1テキストファイル
`--batch-size`	`4`	並列生成の最大バッチサイズ
`--first-chunk-frames`	`3`	ストリーム最初のchunkのコーデックフレーム数
`--chunk-frames`	`25`	ストリームchunkあたりのコーデックフレーム数

CosyVoice3オプション

オプション	デフォルト	説明
`--speakers`		マルチ話者対話の話者マッピング: `s1=alice.wav,s2=bob.wav`
`--cosy-instruct`		スタイル指示（デフォルトを上書き）。CosyVoice3の音声スタイルを制御します。
`--turn-gap`	`0.2`	対話ターン間の無音ギャップ（秒）
`--crossfade`	`0.0`	ターン間のクロスフェードオーバーラップ（秒）
`--model-id`		HuggingFaceモデルID

IndexTTS2 オプション

IndexTTS2 は拡張 MLX バンドルを使う zero-shot 音声クローンエンジンです。--voice-sample が必須で、現在はバッチ合成のみです。

オプション	デフォルト	説明
`--indextts2-model-id`	`aufklarer/IndexTTS2-MLX-fp16`	HuggingFace モデル ID。既定値は `aufklarer/IndexTTS2-MLX-fp16`。
`--indextts2-bundle-dir`		Hugging Face からダウンロードせず、ローカルの拡張バンドルを読み込みます。
`--indextts2-emotion-audio`		任意の感情/スタイル参照音声。既定では話者参照を使います。
`--indextts2-emotion`		任意のプリセットまたは 8 値の感情ベクトル。`eager`、`happy`、`excited`、`calm` など。
`--indextts2-emotion-weight`	`1.0`	`--indextts2-emotion` をスケールします。話者同一性が重要な場合は控えめにします。
`--indextts2-speaking-rate`	`1.0`	`0.5` から `1.5` の話速倍率。`1.0` より大きい値は高速です。
`--indextts2-max-pause`		長い内部低エネルギーポーズの任意上限（秒）。
`--indextts2-s2mel-steps`	`15`	S2Mel フローステップ数(デフォルト 15・聴感検証済み、25 で上流と完全一致)

F5-TTS オプション

オプション	デフォルト	説明
`--f5-reference-text`		参照書き起こし:--voice-sample の内容(必須)
`--f5-steps`	`16`	フローマッチングステップ数(デフォルト 16、最高忠実度は 32)
`--f5-cfg-strength`	`2.0`	クラシファイアフリーガイダンス強度
`--f5-sway`	`-1.0`	Sway サンプリング係数
`--f5-speed`	`1.0`	話速倍率
`--f5-seed`	`0`	再現可能な出力のためのシード
`--f5-target-rms`	`0.1`	参照音声の RMS 正規化ターゲット
`--f5-model-id`		Hugging Face モデル ID
`--f5-bundle-dir`		ローカルディレクトリからバンドルを読み込む

Higgs TTS 3 オプション

オプション	デフォルト	説明
`--higgs-ref-text`		参照書き起こし:--voice-sample の内容(クローン品質が向上)
`--higgs-temperature`	`0.8`	サンプリング温度(デフォルト 0.8)
`--higgs-top-p`		Nucleus サンプリングしきい値(デフォルト無効)
`--higgs-top-k`		Top-k サンプリング上限(デフォルト無効)
`--higgs-max-new-tokens`	`2048`	生成する音声フレームの上限(毎秒 25 フレーム)
`--higgs-seed`	`0`	再現可能な出力のためのシード
`--higgs-model-id`		Hugging Face モデル ID
`--higgs-bundle-dir`		ローカルディレクトリからバンドルを読み込む

例:

# 基本的なTTS
speech speak "Hello, world!" --output hello.wav

# 音声クローン（Qwen3-TTS）
speech speak "Hello in your voice" --voice-sample reference.wav -o cloned.wav

# 音声クローン（CosyVoice）
speech speak "Hello in your voice" --engine cosyvoice --voice-sample reference.wav -o cloned.wav

# CosyVoice多言語
speech speak "Hallo Welt" --engine cosyvoice --language german -o hallo.wav

# マルチ話者対話
speech speak "[S1] Hello there! [S2] Hey, how are you?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o dialogue.wav

# インライン感情/スタイルタグ
speech speak "(excited) Wow, amazing! (sad) But I have to go..." \
    --engine cosyvoice -o emotion.wav

# 組み合わせ: 対話 + 感情 + 音声クローン
speech speak "[S1] (happy) Great news! [S2] (surprised) Really?" \
    --engine cosyvoice --speakers s1=alice.wav,s2=bob.wav -o combined.wav

# カスタムスタイル指示
speech speak "Hello world" --engine cosyvoice --cosy-instruct "Speak cheerfully" -o cheerful.wav

# ストリーミング合成
speech speak "Long text here..." --stream

# ファイルからバッチ合成
speech speak --batch-file texts.txt --batch-size 4

kokoro

Neural Engine（CoreML）上でKokoro-82Mを使用する軽量音声合成。非自己回帰型 — 単一のforward pass、約45msのレイテンシ。

speech kokoro "<text>" [options]

オプション	デフォルト	説明
`<text>`		合成するテキスト
`--voice`	`af_heart`	ボイスプリセット（10言語にわたる50種類が利用可能）
`--language`	`en`	言語コード: en、es、fr、hi、it、ja、pt、zh、ko、de
`--output, -o`	`kokoro_output.wav`	出力WAVファイルパス
`--list-voices`		利用可能なすべてのボイスを一覧表示して終了
`--model, -m`		HuggingFaceモデルID

例:

# 基本的なKokoro TTS
speech kokoro "Hello, world!" --voice af_heart -o hello.wav

# フランス語のボイス
speech kokoro "Bonjour le monde" --voice ff_siwis --language fr -o bonjour.wav

# 全50ボイスを一覧表示
speech kokoro --list-voices

respond

PersonaPlex 7Bを使用したfull-duplex音声間対話。

speech respond [options]

オプション	デフォルト	説明
`--input, -i`		入力音声WAVファイル（24kHzモノラル）（必須）
`--output, -o`	`response.wav`	出力レスポンスWAVファイル
`--voice`	`NATM0`	ボイスプリセット（例: NATM0、NATF1、VARF0）
`--system-prompt`	`assistant`	プリセット: `assistant`、`focused`、`customer-service`、`teacher`
`--system-prompt-text`		カスタムシステムプロンプトテキスト（プリセットを上書き）
`--max-steps`	`200`	12.5Hzでの最大生成ステップ（約16秒）
`--stream`		生成中に音声chunksを出力
`--compile`		コンパイル済みtransformerを有効化（ウォームアップ + カーネル融合）
`--list-voices`		利用可能なボイスプリセットを一覧表示
`--list-prompts`		利用可能なシステムプロンプトプリセットを一覧表示
`--transcript`		モデルの内部モノローグテキストを出力
`--json`		JSON形式で出力（transcript、レイテンシ、音声パス）
`--verbose`		詳細なタイミング情報を表示

サンプリングの上書き

オプション	デフォルト	説明
`--audio-temp`	`0.8`	音声サンプリング温度
`--text-temp`	`0.7`	テキストサンプリング温度
`--audio-top-k`	`250`	音声top-k候補
`--repetition-penalty`	`1.2`	音声反復ペナルティ（1.0 = 無効）
`--text-repetition-penalty`	`1.2`	テキスト反復ペナルティ（1.0 = 無効）
`--repetition-window`	`30`	反復ペナルティウィンドウ（フレーム）
`--silence-early-stop`	`15`	早期停止前の無音フレーム（0 = 無効）
`--entropy-threshold`	`0`	早期停止用のテキストエントロピー閾値（0 = 無効）
`--entropy-window`	`10`	早期停止前の連続低エントロピーステップ数

例:

# 基本的な音声間変換
speech respond --input question.wav

# コンパイル済みtransformerで女性ボイスを使用
speech respond -i question.wav --voice NATF1 --compile

# レスポンスをstreamingし、transcriptを表示
speech respond -i question.wav --stream --transcript --verbose

vad

Pyannoteセグメンテーションを使用したオフラインの音声区間検出。

speech vad <file> [options]

オプション	説明
`<file>`	解析する音声ファイル
`--model, -m`	HuggingFaceモデルID
`--onset`	開始閾値（発話開始）
`--offset`	終了閾値（発話終了）
`--min-speech`	最小発話時間（秒）
`--min-silence`	最小無音時間（秒）
`--json`	JSON形式で出力

vad-stream

Silero VAD v5を使用したストリーミング音声区間検出。32msチャンクで音声を処理します。

speech vad-stream <file> [options]

オプション	説明
`<file>`	解析する音声ファイル
`--engine`	VADエンジン: `mlx`（デフォルト）または `coreml`
`--model, -m`	HuggingFaceモデルID（エンジンに基づいて自動選択）
`--onset`	開始閾値
`--offset`	終了閾値
`--min-speech`	最小発話時間（秒）
`--min-silence`	最小無音時間（秒）
`--json`	JSON形式で出力

wake

KWS Zipformer を使用したオンデバイスのキーワード検出（3.49Mパラメータ、CoreML INT8、リアルタイムの26倍、英語のみ）。

speech wake <file> [options]

オプション	説明
`<file>`	解析する音声ファイル
`--keywords`	1つ以上のキーワード。フォーマット：`"hey soniqo"`、`"hey soniqo:0.15:0.5"`、または `"LIGHT UP\|▁ L IGHT ▁UP:0.25:2.0"`（sherpa-onnx形式の明示的なBPEピース）
`--keywords-file`	キーワードファイル、1行1エントリ
`--model, -m`	HuggingFaceモデルID。デフォルト：`aufklarer/KWS-Zipformer-3M-CoreML-INT8`
`--json`	JSON形式で出力

diarize

話者ダイアライゼーション — 誰がいつ話したかを識別します。

speech diarize <file> [options]

オプション	デフォルト	説明
`<file>`		解析する音声ファイル
`--engine`	`pyannote`	ダイアライゼーションエンジン: `pyannote`、`community1`（CoreML + ネイティブPLDA/VBx）、または`sortformer`
`--community1-compute-units`	`ane`	Community-1 CoreMLの計算ユニット: `ane`、`cpu`、`gpu`、`all`
`--num-speakers`		Community-1の既知の正確な話者数
`--min-speakers`	`1`	Community-1の最小話者数
`--max-speakers`		Community-1の最大話者数
`--target-speaker`		対象話者抽出用の登録音声（pyannoteのみ）
`--embedding-engine`	`mlx`	話者embeddingエンジン: `mlx` または `coreml`（pyannoteのみ）
`--vad-filter`		Silero VADで事前フィルタ（pyannoteのみ）
`--rttm`		RTTM形式で出力
`--json`		JSON形式で出力
`--score-against`		DER計算用のリファレンスRTTMファイル

例:

# 基本的なダイアライゼーション（pyannote、デフォルト）
speech diarize meeting.wav

# エンドツーエンドSortformer（CoreML、Neural Engine）
speech diarize meeting.wav --engine sortformer

# 評価用のRTTM出力
speech diarize meeting.wav --rttm

# 対象話者抽出（pyannoteのみ）
speech diarize meeting.wav --target-speaker enrollment.wav

# リファレンスに対してスコアリング
speech diarize meeting.wav --score-against reference.rttm

embed-speaker

音声から話者embeddingベクトルを抽出します。

speech embed-speaker <file> [options]

オプション	説明
`<file>`	話者の声を含む音声ファイル
`--engine`	WeSpeaker 256次元は `mlx`（デフォルト）または `coreml`、永続的な話者識別 CoreML 192次元は `redimnet2`、CAM++ CoreML 192次元は `camplusplus`
`--json`	JSON形式で出力

denoise

Neural Engine上のDeepFilterNet3を使用して背景ノイズを除去します。

speech denoise <file> [options]

オプション	デフォルト	説明
`<file>`		入力音声ファイル
`--output, -o`	`input_clean.wav`	出力ファイルパス
`--model, -m`		HuggingFaceモデルID

例:

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

音声ディレクトリを一括で文字起こし。モデルの読み込みは 1 回だけです。

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

オプション	デフォルト	説明
`<input-dir>`		文字起こし対象の音声ファイルディレクトリ(WAV、FLAC など)
`--output-dir`		書き起こしの出力ディレクトリ
`--engine`	`qwen3`	ASR エンジン(transcribe と同じ値)
`--jsonl`		結果を JSON lines で出力(1 ファイル 1 行)

restore

Sidon で音声を復元(ノイズ除去+残響除去)— CoreML、48 kHz 出力。

speech restore <audio-file> [options]

オプション	デフォルト	説明
`--output, -o`	`input_restored.wav`	出力 WAV ファイルパス(48 kHz)
`--variant`	`fp16`	精度 / バンドルのバリアント

separate

楽曲をステムに分離(vocals、drums、bass、other)。

speech separate <input> [options]

オプション	デフォルト	説明
`--stems`	`vocals,drums,bass,other`	抽出するステム:vocals、drums、bass、other
`--engine`	`umx`	エンジン:umx(デフォルト)または htdemucs(高品質)
`--output-dir`		書き起こしの出力ディレクトリ

upsample

FlashSR による音声超解像 — 1 ステップ蒸留 AudioSR、48 kHz 出力。

speech upsample <audio-file> [options]

オプション	デフォルト	説明
`--output, -o`	`hr.wav`	出力 WAV ファイルパス(48 kHz)
`--variant`	`int4`	精度 / バンドルのバリアント
`--seed`		再現可能な出力のためのシード

qwen3-tts-coreml

CoreML 上の Qwen3-TTS でテキスト読み上げ(Neural Engine)。

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

オプション	デフォルト	説明
`--output, -o`	`output.wav`	出力 WAV ファイルパス
`--language`	`english`	出力言語
`--model`		Hugging Face モデル ID

vibevoice

Microsoft VibeVoice でテキスト読み上げ(MLX)。

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

オプション	デフォルト	説明
`--voice-cache, -v`		vibevoice-encode-voice で作成したボイスキャッシュ(必須)
`--steps`		DPM-Solver の推論ステップ数(多いほど高品質)
`--cfg`	`1.3`	クラシファイアフリーガイダンス強度
`--long-form`		長文向けのチャンク分割ロングフォーム合成

vibevoice-encode-voice

参照録音と書き起こしから VibeVoice ボイスキャッシュを作成。

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

オプション	デフォルト	説明
`<input>`		参照音声ファイル
`<transcript>`		参照音声の書き起こし(英語のみ)
`--output, -o`		出力ボイスキャッシュ(.safetensors)

translate

MADLAD-400 でテキストをターゲット言語へ翻訳(MLX)。

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

オプション	デフォルト	説明
`--to, -t`		ターゲット言語コード(ISO 639-1、例:es、zh、ja)
`--stream`		デコードしながらストリーミング出力
`--model`		Hugging Face モデル ID

avatar-motion

音声から NVIDIA Audio2Face-3D のアバターモーション係数フレームを生成。

speech avatar-motion <input> [options]

オプション	デフォルト	説明
`--output, -o`	`avatar-motion.jsonl`	出力 JSONL ファイルパス
`--model`	`…James-MLX`	アバターのアイデンティティバンドル(デフォルト James、他に Claire と Mark)
`--verbose`		タイミングとフレーム数を表示