完全なワークフロー
ステップ1：環境準備
- PyTorch/MLX (Runtime) または Rust (Production Server) を選択します。
- 対応するバージョンのモデルパッケージ (moshi-mlx または moshi-server) をインストールしてください。
- ダウンロード
stt-2.6b-en高精度英語モデル
ステップ2：オーディオ入力の設定
- リアルタイム・マイク入力：追加
--micパラメトリック - ファイル入力：WAV/MP3ファイルのパスを指定します。
- ネットワークストリーミング入力：WebSocket経由でオーディオデータチャンクを転送する
主要パラメータ設定
| パラメトリック | 指示 | 推奨値 |
|---|---|---|
| -温度 | サンプリング温度 | 0（決定論的出力） |
| -バッド・スレッシュ | 言語活動閾値 | 0.3（騒音環境用に上方修正） |
| -最大遅延 | 最大許容遅延 | 500（ミリ秒） |
とおす--output-json構造化された結果を得ることができる：
- トランスクリプト：本文の完全な書き起こし
- word_timings: 単語レベルのタイムスタンプの配列
- 信頼度：信頼スコア
出力後処理の推奨
字幕ファイル生成：
- タイムスタンプをSRT/VTT形式に変換する
- 利用する
ffmpeg埋め込みビデオ - 字幕行の長さを調整する（3～5秒を推奨）
リアルタイムのディスプレイ最適化：
- WebSocket経由でフロントエンドにプッシュする
- ジッターを避けるために0.2秒のバッファーを追加
- 現在読み上げ中の単語をハイライトすることで、読みやすさを向上させます。
この答えは記事から得たものである。Kyutai：リアルタイム音声テキスト変換ツールについて
無断転載を禁じます：AI生産性ツール " 遅延ストリーム・モデリングを使ったリアルタイム字幕生成の正確な手順は？
