# mlx-audio 0.5.8: исправлены потоковый Voxtral и загрузка MOSS на Mac

Источник: https://modelium.tech/zhurnal/mlx-audio-0-5-8-voxtral-moss-local-mac-fixes/

5 октября 2026 года вышел стабильный mlx-audio 0.5.8 для локальной работы со звуком в MLX. Релиз исправляет зависимость распознавания Voxtral от размера входящих пакетов, ошибку загрузки неквантованных MLX-весов MOSS-Transcribe-Diarize и начало синтеза Voxtral TTS. Также изменён алгоритм восстановления временных меток Qwen3 и сохранён bf16 в Breeze TTS 2. Это обновление движка, а не выпуск новых весов; независимых измерений Modelium нет.

## Что вышло

5 октября 2026 года опубликован стабильный релиз `mlx-audio` 0.5.8; пакет той же версии загружен в PyPI. Это обновление программного движка для локальных аудиомоделей на Mac с Apple Silicon, а не новый набор весов. Из перечисленных в changelog изменений наиболее прикладные — исправления потокового распознавания Voxtral, загрузки MOSS-Transcribe-Diarize и первого фрагмента генерации Voxtral TTS. [s1](#src-s1) [s2](#src-s2)

## Что меняется при распознавании

До исправления потоковый Voxtral мог выдавать разную транскрипцию одного и того же звука при разном размере пакетов клиента. Разработчики объясняют это изменяющимся разбиением mel-кадров, численной погрешностью и последующим расхождением авторегрессионного декодирования. Изменение буферизует вход до нативных групп по восемь кадров; для владельца локального ASR-сервиса это означает более предсказуемый результат при изменении нарезки потока, но не доказательство одинаковой транскрипции на всех устройствах и файлах. [s3](#src-s3)

Неквантованный MLX-чекпойнт MOSS-Transcribe-Diarize прежде мог падать ещё до генерации: загрузчик повторно переставлял оси уже конвертированных свёрточных весов Whisper, ориентируясь на отсутствие `scales`. Теперь он проверяет форму трёхмерного тензора, прежде чем делать транспонирование. Это исправление касается именно неквантованных конвертированных весов; оно не утверждает, что любая исходная PyTorch-модель MOSS запускается без конвертации. [s4](#src-s4)

Для Qwen3-распознавания автор PR заменил квадратичный поиск в восстановлении временных меток на алгоритм с двоичным поиском; цель — снизить нагрузку CPU на длинных транскриптах при сохранении порядка выбора меток. Это описание реализации и ожидание автора, а не замер ускорения Modelium на пользовательском аудио. [s5](#src-s5)

## Синтез речи и ограничения

В Voxtral TTS исправлен начальный кадр: после заполнения промпта генератор больше не делает лишний шаг с токеном `[AUDIO]`, а декодирует первый кадр из состояния `[BEGIN_AUDIO]`. По небольшому A/B автора PR на M4 Max и четырёх наборах фраз с восемью прогонами на ячейку, распознавание начала улучшилось в трёх наборах и стало чуть хуже в одном. Это авторская проверка через Apple SpeechTranscriber, не гарантия отсутствия ошибок на других голосах и языках. [s6](#src-s6)

В Breeze TTS 2 исправлено неявное повышение bf16-эмбеддингов промпта до float32. Автор изменения сообщает о росте скорости на своём чекпойнте и конфигурации; точный эффект зависит от модели и устройства. Не переносите его результат на все TTS-модели. [s7](#src-s7)

## Что делать пользователю

Если локальный проект уже использует `mlx-audio`, сначала зафиксируйте текущую версию и модели, затем в отдельном окружении обновите пакет командой `python -m pip install --upgrade 'mlx-audio==0.5.8'`. Проверьте на своих аудиофайлах три сценария: одинаковый звук с разными границами пакетов Voxtral, загрузку нужного неквантованного MLX-чекпойнта MOSS и начало коротких фраз Voxtral TTS. Сравнивайте транскрипты и задержку на одной и той же машине. Эта команда следует из опубликованной версии PyPI; Modelium не запускал пакет, модели или бенчмарки. [s1](#src-s1) [s2](#src-s2)

Код движка помечен MIT и допускает использование согласно условиям этой лицензии. Права на конкретные аудиовеса, датасеты и голоса проверяйте отдельно в карточке каждого чекпойнта: лицензия `mlx-audio` не распространяется автоматически на веса. Разработчик указывает Python 3.10+ и зависимость от MLX в пакете, но это не спецификация минимальной оперативной памяти. [s8](#src-s8) [s9](#src-s9)

## Источники

1. [mlx-audio v0.5.8 — официальный GitHub release](https://github.com/Blaizzy/mlx-audio/releases/tag/v0.5.8) — получено 2026-10-06
2. [PyPI: mlx-audio 0.5.8, время загрузки файлов](https://pypi.org/pypi/mlx-audio/0.5.8/json) — получено 2026-10-06
3. [PR 990: Voxtral streaming packet boundary drift](https://github.com/Blaizzy/mlx-audio/pull/990) — получено 2026-10-06
4. [PR 976: MOSS convolution layout for MLX weights](https://github.com/Blaizzy/mlx-audio/pull/976) — получено 2026-10-06
5. [PR 982: Qwen3 timestamp repair](https://github.com/Blaizzy/mlx-audio/pull/982) — получено 2026-10-06
6. [PR 989: Voxtral TTS initial frame and author A/B](https://github.com/Blaizzy/mlx-audio/pull/989) — получено 2026-10-06
7. [PR 987: Breeze TTS 2 bf16 embeddings](https://github.com/Blaizzy/mlx-audio/pull/987) — получено 2026-10-06
8. [mlx-audio MIT license pinned at v0.5.8](https://github.com/Blaizzy/mlx-audio/blob/v0.5.8/LICENSE) — получено 2026-10-06
9. [mlx-audio v0.5.8 pyproject requirements and license](https://github.com/Blaizzy/mlx-audio/blob/v0.5.8/pyproject.toml) — получено 2026-10-06