KI-Musik, Stimme und Klang, aus den Quellen

Erklärstück

MLX-Audio auf Apple Silicon: ein Blick auf zwei seiner Text-to-Speech-Modelle

Die Bibliothek MLX-Audio von Neywa Labs zielt auf Apple Silicon. Wir haben die Dokumentation zu ZONOS3-Mini und Audio8-TTS-Realistic-0.6b gelesen.

Titelbild: MLX-Audio, 23, Sprachen, die Audio8-TTS-Realistic-0.6b abdeckt

Neywa Labs, das Unternehmen für lokale KI hinter Nativ, entwickelt MLX-Audio, eine Bibliothek zum Ausführen von Audiomodellen auf Apple Silicon (GitHub).

Was die Bibliothek abdeckt

Die Projektseite beschreibt MLX-Audio als Möglichkeit, Audiomodelle auf Apple Silicon auszuführen.

Der erklärte Umfang umfasst vier Aufgabentypen: Text-to-Speech, Speech-to-Text, Speech-to-Speech und Musikgenerierung. Die Projektseite nennt MLX als das Framework, auf dem die Bibliothek aufbaut.

Betreuer ist Neywa Labs, das sich selbst als Unternehmen für lokale KI bezeichnet und Nativ als ein weiteres seiner Projekte nennt. Für Praktiker lässt sich das so lesen: Eine einzige Bibliothek bündelt mehrere Audio-Aufgabentypen unter einer einheitlichen, auf Apple ausgerichteten Laufzeitumgebung, statt für jede Aufgabe ein eigenes Werkzeug zu verlangen. Dieser Artikel betrachtet zwei der Text-to-Speech-Modelle, deren Dokumentationsseiten wir gelesen haben, und nicht die gesamte Liste.

ZONOS3-Mini

Die README stellt ZONOS3-Mini als mehrsprachiges Text-to-Speech-Modell von Zyphra vor (GitHub). Laut README hat ZONOS3-Mini 100 Millionen aktive Parameter. Es erzeugt Mono-Audio mit 44,1 kHz und 27 integrierten Stimmen.

Da es sich bei der Angabe zu ZONOS3-Mini um eine Zahl aktiver Parameter handelt, beschreibt sie die genutzten Parameter und sollte beim Größenvergleich mit anderen Modellen entsprechend gelesen werden. Die 27 integrierten Stimmen von ZONOS3-Mini bieten Nutzern eine Auswahl an fertigen Stimmen.

Audio8-TTS-Realistic-0.6b

Eine eigene Dokumentationsseite behandelt Audio8-TTS-Realistic-0.6b (GitHub). Das Modell erzeugt Mono-Sprache mit 44,1 kHz in 23 Sprachen auf Apple Silicon, optional mit Zero-Shot-Stimmklonen. Bei Audio8-TTS-Realistic-0.6b teilen sich Text-Token, Referenz-Audioframes und erzeugte Frames ein Kontextbudget von 2.048 Positionen. Die Audio8-Dokumentation besagt außerdem, dass die Generierung pro Aufruf eine vollständige Wellenform liefert.

Das gemeinsame Budget hat praktische Folgen für das Stimmklonen mit Audio8-TTS-Realistic-0.6b. Da Referenz-Audioframes auf dieselben 2.048 Positionen angerechnet werden wie der Text und die Ausgabe, lässt ein längerer Referenzclip weniger Platz für die zu erzeugende Sprache. Wer lange Passagen plant, würde den Text daher in Abschnitte teilen und den Referenzclip kurz halten. Da jeder Aufruf eine vollständige Wellenform zurückgibt, kämen die Abschnitte als einzelne Dateien zurück, die danach zusammengefügt werden müssten.

Wie sich die beiden Modelle vergleichen

ZONOS3-Mini und Audio8-TTS-Realistic-0.6b geben beide Mono-Audio mit 44,1 kHz aus, ihr Ausgabeformat stimmt also überein. Die Unterschiede liegen woanders.

ZONOS3-Mini wird durch seine 100 Millionen aktiven Parameter und 27 integrierten Stimmen beschrieben. Audio8-TTS-Realistic-0.6b wird durch seine 23 Sprachen, optionales Zero-Shot-Klonen und ein Kontextbudget von 2.048 Positionen beschrieben. Das erste Modell ist um eine Auswahl fertiger Stimmen herum gestaltet, das zweite um die Sprachabdeckung und eine feste Grenze dafür, wie viel Text und Referenz-Audio in einen Aufruf passen.

Dies ist unsere Lesart der Dokumentationsseiten. Die Seiten enthalten Spezifikationen und erlauben daher einen Vergleich der Funktionen, nicht der Audioqualität.

Was sich daraus mitnehmen lässt

Wer auf einem Mac ein lokales Text-to-Speech-Modell auswählt, profitiert davon, dass beide Modelle unter demselben Projekt laufen. Wer fertige Stimmen braucht, würde bei der Seite zu ZONOS3-Mini und seinen 27 integrierten Stimmen beginnen. Wer viele Sprachen benötigt, würde bei der Seite zu Audio8-TTS-Realistic-0.6b und seinen 23 Sprachen beginnen. In beiden Fällen ist die Ausgabe 44,1-kHz-Mono, sodass die nachgelagerte Audioverarbeitung unabhängig vom gewählten Modell gleich bleiben kann.

Wer lange Erzählungen plant, sollte das Kontextbudget von Audio8 lesen, bevor er einen Arbeitsablauf wählt, denn es bestimmt, wie Text und Referenzclips vorbereitet werden. Neywa Labs stellt die Bibliothek als lokale Option vor, und auf den Modellseiten stehen die konkreten Grenzen.

Quellen

Die Quellen, aus denen dieser Artikel geschrieben wurde. Die Links öffnen die Originalseite.

  1. GitHubNeywa-Labs/mlx-audio: A text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apple's MLX framework, providing efficient speech analysis on Apple Silicon.github.comPrimärquelle · abgerufen am 19. November 2026
  2. GitHubNeywa-Labs/mlx-audio: releases, tags and changeloggithub.comPrimärquelle · abgerufen am 19. November 2026
  3. GitHubLicence or terms of use linked by https://github.com/Neywa-Labs/mlx-audiogithub.comPrimärquelle · abgerufen am 19. November 2026
  4. GitHubREADME.mdgithub.comPrimärquelle · abgerufen am 19. November 2026
  5. GitHubaudio8.mdgithub.comPrimärquelle · abgerufen am 19. November 2026
  • mlx audio
  • apple silicon
  • text to speech
  • local ai
  • voice cloning