Maskinoversættelse · Engelsk original

Ofte stillede spørgsmål

Virker speech-swift på iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, og WeSpeaker alle kører på iOS 18+ via CoreML på Neural Engine. MLX- baserede modeller (Qwen3-ASR, Qwen3-TTS og Qwen3.5-Chat MLX samt PersonaPlex) kræver macOS 15+ på Apple Silicon.

Kræver det en internetforbindelse?

Kun for den oprindelige model download fra HuggingFace (automatisk, cache i ~/Library/Caches/qwen3-speech/). Efter at, alle inferens kører helt offline uden netværksadgang. Ingen cloud API 'er, ingen API-nøgler behøves.

Hvordan sammenligner speech-swift med Whisper?

Qwen3-ASR-0.6B opnår RTF 0.012 om M5 Pro - ~7× hurtigere end WhisperKit Large-v3 Turbo (RTF 0.084) og 40% hurtigere end Whisper-large-v3 via whisper.cpp (RTF 0.10) - med tilsvarende nøjagtighed på tværs af 52 sprog. speech-swift giver en indfødt Swift async/await API, mens whisper.cpp kræver en C++ bro.

Se det fulde Sammenligningstabel for ASR og TTS benchmarks mod whisper.cpp, Apple SFSpeechRecredizer, AVSpeechSynthesizer og cloud API 'er.

Hvilke Apple Silicon-chips understøttes?

Alle M- seriechips: M1, M2, M3, M4 og deres Pro / Max / Ultra varianter. Kræver macOS 15+ (Sequoi) eller iOS 18+.

Hvorfor kræver det? macOS 15 / iOS 18?

Gulvet kommer fra MLState - Apple 's vedvarende ANE tilstand API, indført i macOS 15 og iOS 18. CoreML rørledninger (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) bruge MLState til at holde KV caches bosiddende på Neural Engine på tværs af token trin, i stedet for at lukke dem ind og ud hvert trin. CoreML latency by 30–50% versus den tidligere statsløse tilgang.

Kan jeg bruge det i en kommerciel app?

Ja. speech-swift er licenseret under Apache 2.0. De underliggende model vægte har deres egne licenser - tjek hver models HuggingFace side for detaljer.

Hvor meget hukommelse har den brug for?

Fra ~ 3 MB (Silero VAD) ~ 6.5 GB (PersonaPlex 7B). Typisk brug:

Kan jeg køre flere modeller samtidigt?

Ja, brug CoreML modeller på Neural Engine side MLX modeller på GPU for at undgå stridigheder - f.eks. Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Er der en REST API?

Ja. speech-server binær udsætter alle modeller via HTTP REST og WebSocket endepunkter, herunder en OpenAI Realtime API- kompatibel WebSocket på /v1/realtime. Se CLI-reference for serverkommandoer.

Hvordan installerer jeg den?

Homebrew:

brew install speech

Dette er en forudsætning for, at begge parter kan deltage i speech CLI og speech-server HTTP / WebSocket- server på din PATH.

Swift Package Manager:

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

Se afsnit 4. 4. Kom i gang vejledning for fuld vejledning.

Hvilke talemodeller findes der?

Speech- to- text: Qwen3-ASR (52 sprog MLX) og Parakeet TDT25 sprog CoreML).

Tekst- to- tale: Qwen3-TTS (streaming, 10 sprog), CosyVoice3 (stemmekloning, 9 ), og Kokoro-82M (iOS-klar, 50 stemmer 10 (sprog).

Tale-til-tale: PersonaPlex 7B (fuld duplex dialog, 18 voice presets).

Lydanalyse: Silero + Pyannote VAD, højttaler diarisering (Pyannote plus Sortformer), WeSpeaker højttaler indlejringer, og DeepFilterNet3 støjdæmpning.

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

Virker Soniqo på Android?

Ja. speech-android SDK giver en Kotlin API med ONNX Runtime og NNAPI hardware acceleration. Understøtter arm64-v8a om Android 8+ (API 26). Modeller auto- download fra HuggingFace ved første anvendelse (~1.2 GB). Kom i gang - Android for opsætningsinstruktioner.

Virker Soniqo på Linux?

Ja. speech-core Projektet omfatter en C API for indlejrede og automotive Linux (Yotto, edge devices) ved examples/linux. Modeller kører gennem ONNX Runtime eller LiteRT backends, med valgfri QNN acceleration for Qualcomm hardware. Understøtter ARM64 og x86_64. Se Kom i gang - Linux for opsætningsinstruktioner.

Virker Soniqo på Windows?

Ja. Talekerner bygger på Windows x86_64 med begge inferens-bagdele - ONNX Runtime og LiteRT - der dækker streaming speech- to- tekst (Nemotron, Parakeet), talens aktivitet detektering, højttaler diarisering, og VoxCPM2 - Jeg vil tale med dig. Speech Studio også skibe en Windows installatør til lokal stemmekloning.

Kan jeg dele modeller mellem platforme?

Kernemodeller (Parakeet, Kokoro og Silero samt DeepFilter) ONNX format på både Android, Linux og Windows. Apple bruger CoreML / MLX formater. Samme underliggende vægte, forskellige eksportformater optimeret til hver platforms hardware acceleration.