Strojový překlad · Anglický originál

Začínáme

Instalovat speech CLI přepsat a generovat zvuk na vašem Apple Silicon Mac. Použijte Swift SDK přidat zpracování řeči do macOS a iOS aplikace.

Požadavky CLI

• macOS 15+ (sekvoia nebo novější)
• Apple Silicon (arm64)
• 8 GB RAM minimum (16 BG doporučeno pro větší modely)

Nainstalovat CLI

Homebrew (CLI)

Použít nativní ARM Homebrew (/opt/homebrew) nainstalovat speech a speech-server HTTP / WebSocket server.

brew install speech
speech --help

První úkol: přepsat soubor M4A

Stáhněte si záznam vzorku a pak jej přepište do terminálu:

Připojte se k internetu pro první běh. Zvolený model stahuje z HuggingFace a zůstává uložen na vašem Mac. Po nastavení, můžete přepsat lokální nahrávky offline s tímto modelem.

curl -fL https://soniqo.audio/audio/samples/cli/transcription-sample.m4a -o transcription-sample.m4a
speech transcribe transcription-sample.m4a --engine parakeet

Pokračovat s průvodcem M4A-to-text.

Rychlý start: Text- to- Speech

speech speak "Hello, world!" --output hello.wav

Spusťte místní řeč API

Spusťte HTTP / WebSocket server pro lokální API požadavky:

speech-server --port 8080

Swift SDK

Přidat Swift moduly pro vaše macOS 15+ nebo iOS 18+ aplikace s Swift Správce balíčků.

Správce balíčků Swift

Přidat speech-swift do vašeho Package.swift Závislost:

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

Pak přidejte moduly, které potřebujete k cíli:

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... add any modules you need
    ]
)

Dostupné moduly

Transcribe audio s Swift

import Qwen3ASR

let model = try await Qwen3ASRModel.fromPretrained()
// audioSamples: [Float] PCM at 16 kHz (e.g. decoded from a WAV)
let text = model.transcribe(audio: audioSamples, sampleRate: 16000)
print(text)

Generovat řeč s Swift

import Qwen3TTS
import AudioCommon

let model = try await Qwen3TTSModel.fromPretrained()
let audio = model.synthesize(text: "Hello, world!", language: "english")
try WAVWriter.write(samples: audio, sampleRate: 24000, to: URL(filePath: "hello.wav"))

Budova ze zdroje

Pro sestavení zdroje nainstalujte Xcode 16.3+ pomocí Metal Toolchain a Swift 6+. Klonujte úložiště, vytvořte CLI, pak zkontrolujte binář v pokladně:

git clone https://github.com/soniqo/speech-swift.git
cd speech-swift
make build
.build/release/speech --help

Shader staví výchozí macOS 15.0 a Metal 3.2, dokonce i s novějšími SDK. Override tyto s MACOSX_DEPLOYMENT_TARGET a MLX_METAL_LANGUAGE_VERSION pro vlastní budovy; vyšší cíle mohou vyloučit starší systémy. Kompiler, SDK, vlajka, skript, nebo zdrojové změny zneplatňují cache. Selhání sestavování nebo propojení uchovává předchozí knihovnu a cache hash.

Stáhnout model

Modely se automaticky stahují z HuggingFace při prvním použití a cached in ~/Library/Caches/qwen3-speech/.

Všechny modely jsou staženy z HuggingFace při prvním použití. Přibližné velikosti:

Další kroky

• Pokračovat s průvodcem M4A-to-text
• Odkaz na CLI - všechny dostupné příkazy a možnosti
• Qwen3-ASR průvodce - podrobnou dokumentaci pro proslovy-to- text
• Qwen3-TTS průvodce - podrobná text- to- speak dokumentace
• API & protokoly - sdílené protokoly a typy