VoiceStudio — Parakeet TDT v3 (MLX) 引擎¶

NVIDIA 的 Parakeet TDT v3 可在 Apple Silicon GPU 上运行，借助轻量的纯 Python parakeet-mlx 包。它为 Mac 用户带来 CUDA/CPU 用户通过 NeMo 或 sherpa-onnx 所获得的 Parakeet 级能力：25 种欧洲语言、来自 TDT 解码器本身的词级时间戳（无需 wav2vec2 对齐步骤）、约 1.2 GB 下载量、约 2 GB 统一内存，以及 GPU 上的听写级速度。

与 nemo-parakeet 不同，它不需要 nemo_toolkit（其 transformers 固定版本与应用的存在冲突）——自 0.3.22 起，它在 Apple Silicon 源码安装中默认安装。

选择它¶

• 在 Model Catalogue 的 ASR 标签页中，对 Parakeet TDT v3 (MLX) 行点击 使用，或设置 OMNIVOICE_ASR_BACKEND=parakeet-mlx。
• 听写会自动优先选择它：一旦模型权重安装完成（Model Catalogue（ASR 标签页 → 该引擎的权重）中——自动选择永远不会触发下载），只要你的系统语言是所覆盖的 25 种欧洲语言之一，实时听写/采集就会使用它。其他语言继续使用多语言 Whisper 引擎，因此听写覆盖范围永远不会退化。

最擅长¶

• 在 Mac 上的实时听写 —— TDT 解码速度足以满足采集路径的要求，同时具备 Parakeet 优于 Whisper 的英语 WER。
• 欧洲语言转录，附带词级时间戳，而内存和计算开销仅为 whisper-large-v3 的一小部分。

对于 25 种语言之外的语言（CJK、阿拉伯语等），请改用 mlx-whisper。

平台支持¶

仅支持 Apple Silicon —— 与 mlx-whisper 相同的共享 MLX 平台门禁会在任何导入之前拒绝 Linux、Windows 和 Intel Mac（#390）。它在统一内存 GPU 上运行；没有 CPU 层级。

模型选择¶

ASR_MODEL_PARAKEET_MLX —— 默认值为 mlx-community/parakeet-tdt-0.6b-v3。权重在首次加载时下载 —— 参见 downloading-models。

注意事项¶

• 长文件在内部按 120 秒的块进行处理，以限制统一内存的使用；较短的听写缓冲区和配音块不受影响。
• Parakeet v3 会在其 25 种语言中自动检测，但不会暴露具体选择，因此报告的语言是你请求的语言（或没有）——它绝不会硬编码为英语。
• 词级时间戳由解码器的子词 Token 合并而来——适合字幕和听写；对于对口型要求严格的配音，wav2vec2 对齐引擎（mlx-whisper、whisperx）仍然是精度更高的层级。

各引擎之间的速度对比参见 performance。