Strojový překlad · Anglický originál

Často kladené otázky

Pracuje speech-swift na iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, a WeSpeaker všechny běží na iOS 18+ prostřednictvím CoreML n vá Neural Engine. Modely založené na MLX (Qwen3-ASR, Qwen3-TTS, Qwen3.5-Chat MLX, PersonaPlex) vyžaduje macOS 15+ na Apple Silicon.

Vyžaduje to připojení k internetu?

Pouze pro počáteční stahování modelu HuggingFace (automatické, cachované v ~/Library/Caches/qwen3-speech/). Poté, všechny inference běží plně offline bez přístupu k síti. Žádné cloud API, žádné API klíče potřebné.

Jak speech-swift srovnává se Whisper?

Qwen3-ASR-0.6B dosahuje RTF 0.012 zapnuto M5 Pro - ~7× rychlejší než WhisperKit Large-v3 Turbo (RTF 0.084) a 40% rychleji než Whisper-large-v3 via simper.cpp (RTF 0.10) - se srovnatelnou přesností 52 jazyky. speech-swift poskytuje rodilé Swift async/await API, zatímco whisper.cpp vyžaduje C++ most.

Podívejte se na celý Srovnávací tabulky pro referenční hodnoty ASR a TTS proti simper.cpp, Apple SFSpeechRecognizer, AVSpeechSynthesizer, a cloud API.

Jaké jsou podporovány Apple Silicon čipy?

Všechny žetony řady M-: M1, M2, M3, M4 a jejich Pro / Max / Ultra varianty. macOS 15+ (Sequoia) nebo iOS 18+.

Proč to vyžaduje macOS 15 / iOS 18?

Podlaha pochází z MLState - Stálý ANE stav Apple API, zavedeno macOS 15 a iOS 18. CoreML potrubí (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) používat MLState k udržení KV cache rezident na Neural Engine přes symbolické kroky, místo aby je uzavíral dovnitř a ven každý krok. Tento řez per- token CoreML latence 30–50% proti dřívějšímu přístupu bez státní příslušnosti.

Můžu to použít v komerční aplikaci?

Ano. speech-swift je licencován pod Apache 2.0. Základní hmotnost modelu mají své vlastní licence - zkontrolovat každý model HuggingFace stránka detaily.

Kolik paměti to potřebuje?

Od ~ 3 MB (Silero VAD) ~ 6.5 GB (PersonaPlex 7B). Typické použití:

Mohu spustit několik modelů současně?

Ano. CoreML modely na Neural Engine vedle MLX modely na GPU aby se zabránilo tvrzení - například, Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Existuje REST API?

Ano. speech-server binárně zobrazuje všechny modely přes HTTP REST a WebSocket koncové body, včetně OpenAI Realtime API- kompatibilní WebSocket v /v1/realtimePodívej se na to. Odkaz na CLI pro serverové příkazy.

Jak to nainstaluji?

Homebrew:

brew install speech

To instaluje oba speech CLI a speech-server HTTP / WebSocket server na vašem PATH.

Správce balíčků Swift:

.package(url: "https://github.com/soniqo/speech-swift", branch: "main")

Viz Začínáme Průvodce pro plné pokyny.

Jaké modely řeči jsou k dispozici?

Proslov -to-text: Qwen3-ASR (52 jazyky, MLX) a Parakeet TDT25 jazyky, CoreML).

Test- to- řeč: Qwen3-TTS (streaming, 10 jazyky), CosyVoice3 (hlas klonování, 9 jazyky) a Kokoro-82M (iOS- ready, 50 hlasy, 10 jazyky).

Proslov-to-proslov: PersonaPlex 7B (full- duplex dialog, 18 hlasové předvolby).

Audio analýza: Silero + Pyannote VAD, diarizace reproduktoru (Pyannote + Sortformer), WeSpeaker reproduktory a DeepFilterNet3 potlačení hluku.

LLM: Qwen3.5-0.8B Chat (on-zařízení, INT4 MLX + INT8 CoreML, streaming tokens).

Pracuje Soniqo na Android?

Ano. speech-android SDK poskytuje Kotlin API se ONNX Runtime a NNAPI hardwarovou akcelerací. Podporuje arm64-v8a zapnuto Android 8+ (API 26). Modely auto-download z HuggingFace při prvním použití (~1.2 GB). Začínáme - Android pro nastavení instrukcí.

Pracuje Soniqo na Linux?

Ano. speech-core projekt zahrnuje a C API pro vestavěné a automobilové Linux (Yocto, hrana zařízení) v examples/linux. Modely běží přes ONNX Runtime nebo LiteRT backends, s volitelnou QNN zrychlení pro Qualcomm hardware. Podporuje ARM64 a x86_64. Viz Začínáme - Linux pro nastavení instrukcí.

Pracuje Soniqo na Windows?

Ano. Řečnické jádro navazuje na Windows x86_64 s oběma odvodňovacími opěrkami - ONNX Runtime a LiteRT - pokrývající streaming-to-text (Nemotron, Parakeet), detekce hlasové aktivity, diarizace reproduktorů a VoxCPM2 text- to-řeč. Speech Studio také přepravuje instalátor Windows pro místní hlasové klonování.

Mohu sdílet modely mezi platformami?

Používají se základní modely (Parakeet, Kokoro a Silero) Formát ONNX na obou Android, Linux a Windows. Apple používá CoreML / MLX formáty. Stejné základní váhy, různé formáty pro export optimalizované pro každou platformu hardwarové zrychlení.