Simon Willison Blog研究・専門家·2026年4月13日 08:57·約1分

MLXを使用したGemma 4オーディオ

#音声認識 #マルチモーダルAI #LLM #オープンソース #デベロッパーツール #Apple Silicon

整理・翻訳:ainew.jp 編集システムAIによる自動処理作り方と限界

本文の状態

日本語全文を表示中

詳細モードで約1分の本文を読めます。

同じ出来事の情報源

6媒体で確認

Simon Willison Blog · The Decoder · AI Business · TechCrunch AI · Hugging Face Blog · InfoQ

各社の報じ方を比較 ↓

まず要点

Rahim Nathwaniが、macOSで10.28GBのGemma 4 E2BモデルとMLX、mlx-vlmを使用してオーディオファイルを文字起こしするuv runレシピを共有した。

Continue in AI NEW LAB

このニュースを、実務の判断につなげる

AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。

AI NEW LABで論点を見る

Source Article

元記事を日本語で読む

本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。

ラヒム・ナトワニからのヒントのおかげで、macOS上でMLXとmlx-vlmを用いて、10.28 GBのGemma 4 E2Bモデルでオーディオファイルの文字起こしを行うためのuv runレシピを紹介します。

code

uv run --python 3.13 --with mlx_vlm --with torchvision --with gradio \
  mlx_vlm.generate \
  --model google/gemma-4-e2b-it \
  --audio file.wav \
  --prompt "Transcribe this audio" \
  --max-tokens 500 \
  --temperature 1.0

ブラウザはオーディオ要素をサポートしていません。

私はこの14秒間の.wavファイルで試してみましたが、以下の結果が出力されました。

This front here is a quick voice memo. I want to try it out with MLX VLM. Just going to see if it can be transcribed by Gemma and how that works.

（本来は「This right here...」と「...how well that works」と言うつもりでしたが、なぜそれが「front」や「how that works」と誤解釈されたのかは聞き取れます。）

タグ: uv, mlx, ai, gemma, llms, speech-to-text, python, generative-ai

原文を表示

Thanks to a tip from Rahim Nathwani, here's a uv run recipe for transcribing an audio file on macOS using the 10.28 GB Gemma 4 E2B model with MLX and mlx-vlm:

code

uv run --python 3.13 --with mlx_vlm --with torchvision --with gradio \
  mlx_vlm.generate \
  --model google/gemma-4-e2b-it \
  --audio file.wav \
  --prompt "Transcribe this audio" \
  --max-tokens 500 \
  --temperature 1.0

Your browser does not support the audio element.

I tried it on this 14 second .wav file and it output the following:

This front here is a quick voice memo. I want to try it out with MLX VLM. Just going to see if it can be transcribed by Gemma and how that works.

(That was supposed to be "This right here..." and "... how well that works" but I can hear why it misinterpreted that as "front" and "how that works".)

Tags: uv, mlx, ai, gemma, llms, speech-to-text, python, generative-ai