完整工作流程
步骤1：环境准备
- 选择PyTorch/MLX(Runtime)或Rust(生产服务器)
- 安装对应版本的模型包(moshi-mlx或moshi-server)
- 下载
stt-2.6b-en高精度英语模型
步骤2：音频输入配置
- 实时麦克风输入：添加
--mic参数 - 文件输入：指定WAV/MP3文件路径
- 网络流输入：通过WebSocket传输音频数据块
关键参数设置
| 参数 | 说明 | 推荐值 |
|---|---|---|
| –temp | 采样温度 | 0(确定性输出) |
| –vad-thresh | 语音活动阈值 | 0.3(环境嘈杂时调高) |
| –max-delay | 最大允许延迟 | 500(毫秒) |
通过--output-json可获取结构化结果，包含：
- transcript：完整转写文本
- word_timings：单词级时间戳数组
- confidence：置信度分数
输出后处理建议
字幕文件生成：
- 将时间戳转换为SRT/VTT格式
- 使用
ffmpeg嵌入视频 - 调整每行字幕长度(建议3-5秒)
实时显示优化：
- 通过WebSocket推送至前端
- 添加0.2秒缓冲避免抖动
- 高亮当前朗读单词增强可读性
本答案来源于文章《Kyutai：语音与文本实时转换工具》
简体中文 
English 
日本語 
Deutsch 
Português do Brasil