¿Funciona speech-swift en iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, Omnilingual ASR (300M), DeepFilterNet3 y WeSpeaker se ejecutan en iOS 17+ vía CoreML en el Neural Engine. Los modelos basados en MLX (Qwen3-ASR, Qwen3.5-Chat MLX, PersonaPlex, Omnilingual 1B/3B/7B) requieren macOS 14+ en Apple Silicon. Qwen3-TTS tiene backends tanto MLX como CoreML.

¿Requiere speech-swift una conexión a internet?

Solo para la descarga inicial del modelo desde HuggingFace. Después de eso, toda la inferencia se ejecuta totalmente offline sin acceso a la red. Sin APIs en la nube, sin claves de API.

¿Cómo se compara speech-swift con Whisper?

Qwen3-ASR-0.6B alcanza RTF 0.06 en M2 Max — 40% más rápido que Whisper-large-v3 vía whisper.cpp (RTF 0.10) — con precisión comparable en 52 idiomas. speech-swift proporciona una API nativa async/await de Swift, mientras que whisper.cpp requiere un puente C++.

¿Qué chips Apple Silicon son compatibles?

Todos los chips de la serie M: M1, M2, M3, M4 y sus variantes Pro/Max/Ultra. Requiere macOS 14+ (Sonoma) o iOS 17+.

¿Puedo usar speech-swift en una aplicación comercial?

Sí. speech-swift está licenciado bajo Apache 2.0. Los pesos del modelo subyacente tienen sus propias licencias — revisa la página de HuggingFace de cada modelo para más detalles.

¿Cuánta memoria necesita speech-swift?

Desde ~3 MB (Silero VAD) hasta ~6.5 GB (PersonaPlex 7B). Kokoro TTS usa ~200 MB, Qwen3-ASR ~2.2 GB, Qwen3-TTS ~2 GB. Múltiples modelos pueden ejecutarse simultáneamente usando CoreML en el Neural Engine junto con MLX en la GPU.

SDK de voz en el dispositivo

Empezar — Apple Empezar — 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")

Voz a texto

Texto a voz

Modelos de lenguaje

Qwen3.5-0.8B Chat

LLM en el dispositivo, DeltaNet + GatedAttention híbrido, INT4 MLX / INT8 CoreML, tokens en streaming

MLXCoreML

Voz a voz

PersonaPlex 7B

Diálogo hablado full-duplex, 18 presets de voz, RTF ~0.87

MLX

Análisis de audio

Android y Linux

Rendimiento

0.06x

ASR 17x más rápido que tiempo real

0.55x

TTS 37ms/paso, más rápido que tiempo real

0.87x

Voz a voz 68ms/paso, full-duplex

~15

LLM tok/s Qwen3.5-0.8B INT4, serie M

23x

VAD en streaming chunks de 32ms, latencia sub-ms

2.35%

WER de ASR Supera a Whisper Large v3 Turbo

99.1%

VAD F1 FireRedVAD en FLEURS

Ver todos los benchmarks →

Memoria

2.2 GB

Qwen3-ASR 0.6B MLX 4-bit · 675 MB pesos

2 GB

Qwen3-TTS 0.6B MLX 4-bit · 977 MB pesos

500 MB

Kokoro-82M CoreML · 325 MB pesos

700 MB

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

1.5 GB

CosyVoice3 0.5B MLX 4-bit · 732 MB pesos

6.5 GB

PersonaPlex 7B MLX 4-bit · 4.9 GB pesos

400 MB

Parakeet TDT 0.6B CoreML INT8 · 500 MB pesos

SDK de voz en el dispositivo

Qwen3-ASR

Parakeet TDT

Omnilingual ASR

Alineación forzada

Qwen3-TTS

CosyVoice3

Kokoro-82M

Clonación de voz

Qwen3.5-0.8B Chat

PersonaPlex 7B

Detección de actividad vocal

Diarización de hablantes

Embeddings de hablante

Mejora de voz

Separación de fuentes

Parakeet TDT v3

Kokoro-82M

Silero VAD v5

DeepFilterNet3