Funktioniert speech-swift unter iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, Omnilingual ASR (300M), DeepFilterNet3 und WeSpeaker laufen unter iOS 17+ über CoreML auf der Neural Engine. MLX-basierte Modelle (Qwen3-ASR, Qwen3.5-Chat MLX, PersonaPlex, Omnilingual 1B/3B/7B) erfordern macOS 14+ auf Apple Silicon. Qwen3-TTS hat sowohl MLX- als auch CoreML-Backends.

Benötigt speech-swift eine Internetverbindung?

Nur für den initialen Modell-Download von HuggingFace. Danach läuft die gesamte Inferenz vollständig offline ohne Netzwerkzugriff. Keine Cloud-APIs, keine API-Schlüssel erforderlich.

Wie schneidet speech-swift im Vergleich zu Whisper ab?

Qwen3-ASR-0.6B erreicht RTF 0.06 auf dem M2 Max — 40 % schneller als Whisper-large-v3 über whisper.cpp (RTF 0.10) — bei vergleichbarer Genauigkeit in 52 Sprachen. speech-swift bietet eine native Swift async/await-API, während whisper.cpp eine C++-Brücke erfordert.

Welche Apple-Silicon-Chips werden unterstützt?

Alle M-Chips: M1, M2, M3, M4 und ihre Pro/Max/Ultra-Varianten. Erfordert macOS 14+ (Sonoma) oder iOS 17+.

Kann ich speech-swift in einer kommerziellen App verwenden?

Ja. speech-swift ist unter Apache 2.0 lizenziert. Die zugrundeliegenden Modellgewichte haben eigene Lizenzen — siehe die HuggingFace-Seite des jeweiligen Modells für Details.

Wie viel Speicher benötigt speech-swift?

Von ~3 MB (Silero VAD) bis ~6,5 GB (PersonaPlex 7B). Kokoro TTS benötigt ~200 MB, Qwen3-ASR ~2,2 GB, Qwen3-TTS ~2 GB. Mehrere Modelle können parallel laufen — CoreML auf der Neural Engine neben MLX auf der GPU.

Sprach-SDK auf dem Gerät

Erste Schritte — Apple Erste Schritte — Android

Apple — Homebrew:

brew tap soniqo/speech https://github.com/soniqo/speech-swift && brew install speech

Android — Gradle:

implementation("audio.soniqo:speech:0.0.5")

Sprache zu Text

Text zu Sprache

Sprachmodelle

Qwen3.5-0.8B Chat

LLM auf dem Gerät, DeltaNet + GatedAttention-Hybrid, INT4 MLX / INT8 CoreML, Token-Streaming

MLXCoreML

Sprache zu Sprache

PersonaPlex 7B

Vollduplex-Sprachdialog, 18 Stimmvoreinstellungen, RTF ~0,87

MLX

Audioanalyse

Android & Linux

Leistung

0.06x

ASR 17× schneller als Echtzeit

0.55x

TTS 37 ms/Schritt, schneller als Echtzeit

0.87x

Sprache zu Sprache 68 ms/Schritt, Vollduplex

~15

LLM Tok/s Qwen3.5-0.8B INT4, M-Serie

23x

Streaming-VAD 32-ms-Chunks, Sub-ms-Latenz

2.35%

ASR WER Schlägt Whisper Large v3 Turbo

99.1%

VAD F1 FireRedVAD auf FLEURS

Alle Benchmarks anzeigen →

Speicher

2.2 GB

Qwen3-ASR 0.6B 4-Bit MLX · 675 MB Gewichte

2 GB

Qwen3-TTS 0.6B 4-Bit MLX · 977 MB Gewichte

500 MB

Kokoro-82M CoreML · 325 MB Gewichte

700 MB

Qwen3.5-Chat 0.8B INT4 MLX · 418 MB Gewichte

1.5 GB

CosyVoice3 0.5B 4-Bit MLX · 732 MB Gewichte

6.5 GB

PersonaPlex 7B 4-Bit MLX · 4,9 GB Gewichte

400 MB

Parakeet TDT 0.6B CoreML INT8 · 500 MB Gewichte

Sprach-SDK auf dem Gerät

Qwen3-ASR

Parakeet TDT

Omnilingual ASR

Forced Alignment

Qwen3-TTS

CosyVoice3

Kokoro-82M

Stimmklonen

Qwen3.5-0.8B Chat

PersonaPlex 7B

Sprachaktivitätserkennung

Sprecherdiarisierung

Sprechereinbettungen

Sprachverbesserung

Quellentrennung

Parakeet TDT v3

Kokoro-82M

Silero VAD v5

DeepFilterNet3