Huashu Design
alchaincyf · 技能
把你在 AI 智能体里写的一句话需求,变成一份完成的设计:发布动画、可点击的应用原型、可编辑的幻灯片、信息图,或一组小红书图片。可在多种智能体中使用。
通过社区的 MLX 后端用 OmniVoice 文字转语音模型朗读文本,适合想试用它或在 Apple 芯片 Mac 上运行它的人。
OmniVoice MLX 是一款工具包,属于效率类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download mlx-community/OmniVoice --repo-type space --local-dir OmniVoice cd OmniVoice
OmniVoice MLX 是一个文字转语音演示,通过社区的 MLX 后端运行 OmniVoice 模型。它改编自官方的 OmniVoice Space,用来加载那个后端。默认模型是 4 位版本,选它是为了减轻内存压力。在 Hugging Face 上它运行在 Linux CPU 上,所以可能比较慢。
想试用 OmniVoice 语音的人,以及打算在本地运行它的 Apple 芯片 Mac 用户。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 语音技术 | 开发者 | 通过 MLX 后端试用 OmniVoice | 试听 4 位模型的效果 |
| 内容创作 | 需要配音的创作者 | 把脚本变成语音 | 听一段简短脚本被朗读出来 |
| 研究 | 比较模型大小的人 | 在列出的 MLX 模型版本之间切换 | 比较 4 位和 8 位模型 |
如果你想要快速、可交互的语音,请改在 Apple 芯片 Mac 上运行这个模型,因为托管的演示可能比较慢。
| 使用场景 | 谁用 | 得到什么 |
|---|---|---|
| 听文字被读出来 | 任何人 | 由你输入的文字生成的语音 |
| 试用另一种模型大小 | 开发者 | 来自另一个 MLX 模型版本的输出 |
| 在本地运行 | Mac 用户 | 在自己硬件上运行的同一个演示 |
在线使用不需要安装任何东西。要在自己电脑上运行副本,需要先准备几样东西。
pip install -U huggingface_hub hf download mlx-community/OmniVoice --repo-type space --local-dir OmniVoice cd OmniVoice pip install gradio==6.14.0 pip install -r requirements.txt python app.py
要加载其他 MLX 模型,请在启动应用之前,把 OMNIVOICE_MODEL 设置为另一个 MLX 仓库。
打开这个 Space 的页面,或者在你自己的副本里启动 app.py,输入你想让它朗读的文字并运行。来源没有写明其他控件,所以请以页面上的标签为准。
python app.py
你打开页面,输入一句简短的话并运行。等一会儿(在共享的 CPU 上可能要等很久),页面会返回这句话的语音。来源没有给出示例输出,所以这里不描述声音和质量。
MLX 是 Apple 的机器学习框架,在 Apple 芯片上效果最好。第一步,打开页面,输入一句简短的话,运行时请耐心等待。
这个 Space 列出了五个模型版本:默认版、4 位、8 位、bfloat16 和 fp32。4 位版本是默认的,用来减轻内存压力。在 Linux 上,演示使用 MLX 的 CPU 后端,所以可能会慢。对于日常使用,作者建议把模型装在 Apple 芯片 Mac 上。
通过社区的 MLX 后端用 OmniVoice 文字转语音模型朗读文本,适合想试用它或在 Apple 芯片 Mac 上运行它的人。
由 mlx-community 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:OmniVoice MLX 是一个文字转语音演示,通过社区的 MLX 后端运行 OmniVoice 模型。它改编自官方的 OmniVoice Space,用来加载那个后端。默认模型是 4 位版本,选它是为了减轻内存压力。在 Hugging Face 上它运行在 Linux CPU 上,所以可能比较慢。
适合谁:想试用 OmniVoice 语音的人,以及打算在本地运行它的 Apple 芯片 Mac 用户。
行业 | 谁在用 | 怎么用 | 例子
语音技术 | 开发者 | 通过 MLX 后端试用 OmniVoice | 试听 4 位模型的效果
内容创作 | 需要配音的创作者 | 把脚本变成语音 | 听一段简短脚本被朗读出来
研究 | 比较模型大小的人 | 在列出的 MLX 模型版本之间切换 | 比较 4 位和 8 位模型
如果你想要快速、可交互的语音,请改在 Apple 芯片 Mac 上运行这个模型,因为托管的演示可能比较慢。
用在哪里:
使用场景 | 谁用 | 得到什么
听文字被读出来 | 任何人 | 由你输入的文字生成的语音
试用另一种模型大小 | 开发者 | 来自另一个 MLX 模型版本的输出
在本地运行 | Mac 用户 | 在自己硬件上运行的同一个演示
如何设置:在线使用不需要安装任何东西。要在自己电脑上运行副本,需要先准备几样东西。
pip install -U huggingface_hub
hf download mlx-community/OmniVoice --repo-type space --local-dir OmniVoice
cd OmniVoice
pip install gradio==6.14.0
pip install -r requirements.txt
python app.py
要加载其他 MLX 模型,请在启动应用之前,把 OMNIVOICE_MODEL 设置为另一个 MLX 仓库。
如何使用:打开这个 Space 的页面,或者在你自己的副本里启动 app.py,输入你想让它朗读的文字并运行。来源没有写明其他控件,所以请以页面上的标签为准。
python app.py
示例:你打开页面,输入一句简短的话并运行。等一会儿(在共享的 CPU 上可能要等很久),页面会返回这句话的语音。来源没有给出示例输出,所以这里不描述声音和质量。
新手与专家:MLX 是 Apple 的机器学习框架,在 Apple 芯片上效果最好。第一步,打开页面,输入一句简短的话,运行时请耐心等待。
这个 Space 列出了五个模型版本:默认版、4 位、8 位、bfloat16 和 fp32。4 位版本是默认的,用来减轻内存压力。在 Linux 上,演示使用 MLX 的 CPU 后端,所以可能会慢。对于日常使用,作者建议把模型装在 Apple 芯片 Mac 上。
在浏览器里打开页面
输入要朗读的文字
MLX CPU 后端运行 4 位模型
返回语音
注意事项:
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| OmniVoice MLX 本页 | 6 | gradio | apache-2.0 | |
| MusicGen共有 gradio | 5,116 | gradio | cc-by-nc-4.0 | |
| Kokoro TTS共有 gradio | 3,556 | gradio | apache-2.0 | |
| Background Removal共有 gradio | 2,988 | gradio | mit | |
| Omni Image Editor共有 gradio | 2,922 | gradio | mit | |
| Diffusers Image Outpaint共有 gradio | 2,565 | gradio | apache-2.0 |
alchaincyf · 技能
把你在 AI 智能体里写的一句话需求,变成一份完成的设计:发布动画、可点击的应用原型、可编辑的幻灯片、信息图,或一组小红书图片。可在多种智能体中使用。
op7418 · 技能
能生成单文件 HTML 幻灯片、幻灯片配图和多平台封面的技能,有两套视觉风格,还带演讲者模式用于排练。适合使用 Claude Code 或 Codex 的演讲者。
alirezarezvani · 技能
为 Claude Code 和其他编程智能体提供 411 个现成技能,按角色分组,从工程、产品到营销、财务和合规。以插件方式安装。适合开发者和业务团队。
zarazhangrui · 技能
从零开始或从 PowerPoint 文件生成 HTML 演示文稿,并展示几种视觉风格预览供你挑选,适合不懂 CSS 和 JavaScript、又想做网页幻灯片的人。
iptv-org · 工具包
把来自多个国家的公开电视直播频道整理成播放列表,任何支持直播流的视频播放器都能打开。适合想看直播的观众,也适合需要频道数据的开发者。
uwg · 工具包
收录来自 OpenModelDB 社区的一组图像放大模型,适合想在自己电脑上用 AI 放大低分辨率图片的人。