Konekäännös · Englanninkielinen alkuperäinen

Usein kysytyt kysymykset

Toimiiko speech-swift iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, WeSpeaker Kaikki käynnissä iOS 18+ CoreML:n kautta Neural Engine. MLX-pohjaisissa malleissa (Qwen3-ASR, Qwen3-TTS ja Qwen3.5-Chat MLX tai PersonaPlex) vaaditaan macOS 15+ Apple Silicon:llä.

Tarvitseeko se Internet-yhteyden?

Vain alkuperäisen mallin lataamista HuggingFace (automaattinen, välimuisti ~/Library/Caches/qwen3-speech/) varten. Tämän jälkeen kaikki päätelmät toimivat täysin offline ilman verkkoyhteyttä. Ei pilvirajapintoja, ei API avaimia.

Miten speech-swift voidaan verrata Whisper?

Qwen3-ASR-0.6B saavuttaa RTF 0.012 8. M5 Pro7× WhisperKitiä nopeampi Large-v3 Turbo (RTF 0.084) ja 40% Nopeammin kuin Whisper-large-v3 through kuiskailu.cpp (RTF 0.10) ... ja vertailukelpoisella tarkkuudella 52 kielet. speech-swift tarjoaa alkuasukkaan Swift async/await API, kun taas kuiskaa.cpp vaatii C++ silta.

Ks. täydelliset vertailutaulukot , kun ASR ja TTS -vertailuarvot kuiskauksen suhteen.cpp, Apple SFSpeechRecognizerin, AVSpeechSynthesizerin ja pilvipalvelujen sovellusliittymien osalta.

Mitä Apple Silicon -siruja tuetaan?

Kaikki M-sarjan sirut: M1, M2, M3, M4 ja niiden Pro/Max/Ultra versioita. Vaatii macOS 15+ (Sequoia) tai iOS 18+.

Miksi se vaatii macOS 15 / iOS 18?

Lattia tulee MLState Applen pysyvä ANE-tila API, joka otettiin käyttöön macOS 15 sekä iOS 18. CoreML putket (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) käyttää MLState pitää KV välimuistit asuu Neural Engine yli polete askelia, sen sijaan, että sulkisi ne sisään ja ulos jokaisen vaiheen. Tämä leikkaus per-token CoreML latenssi 30–50% Verrattuna aiempaan valtiottomaan lähestymistapaan.

Voinko käyttää sitä mainossovelluksessa?

Kyllä. speech-swift on lisensoitu alle Apache 2,0. Mallin taustalla olevilla painoilla on omat lisenssinsä. Tarkasta kunkin mallin HuggingFace sivu .

Paljonko muistia se tarvitsee?

~3 MB (Silero VAD) - ~6,5 GB (PersonaPlex 7B). Tyypillinen käyttö:

Voinko ajaa useita malleja samanaikaisesti?

- Kyllä, käytä. CoreML malleja Neural Engine rinnalla MLX malleja GPU välttää kiistan ... esimerkiksi, Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Onko olemassa REST API?

Kyllä. speech-server binääripaljastaa kaikki mallit HTTP REST ja WebSocket -päätetapahtumat, mukaan lukien OpenAI Reaaliaikainen API-yhteensopiva WebSocket /v1/realtime. Katso Server-komennot.

Miten se asennetaan?

Homebrew:

brew install speech

Tämä asentaa sekä speech CLI että speech-server HTTP/WebSocket -palvelimen PATH-palvelimeesi.

Swift Paketin päällikkö: 

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

Katso täydelliset ohjeet Aloitus -oppaasta.

Mitä puhemalleja on saatavilla?

Puhe-teksti: Qwen3-ASR (52 kielet, MLX) ja Parakeet TDT (25 kielet, CoreML).

Tekstipuhe: Qwen3-TTS (streaming, 10 kieltä), CosyVoice3 (äänen kloonaus, 9 kieltä) ja Kokoro-82M (iOS-valmis, 50 ääntä, 10 kieltä).

Puhepuhe: PersonaPlex 7B (täydellinen duplex-keskustelu, 18 ääntä esiasetukset).

Äänianalyysi: Silero + Pyannote VAD, kaiutindiarisaatio (Pyannote+Sortformer), WeSpeaker kaiutin upotetaan, ja DeepFilterNet3 äänenvaimennus.

LLM: Qwen3.5-0.8B Keskustelu (laitteen päällä, INT4 MLX + INT8 CoreML, suoratoistomerkit).

Toimiiko Soniqo Android?

Kyllä. speech-android SDK tarjoaa Kotlin API ONNX Runtime:n ja NNAPI:n laitteistokiihtyvyyden kanssa. arm64-v8a 8. Android 8+ (API 26) Mallit automaattisesti ladata alkaen HuggingFace Käyttöä ensimmäisessä käytössä (~1.2 GB). Katso Käynnistysvaihe Android asennusohjeet.

Toimiiko Soniqo Linux?

Kyllä. speech-core Hankkeeseen sisältyy C API upotettujen ja ajoneuvojen Linux (Yocto, reunalaitteet) examples/linux. Mallit kulkevat ONNX Runtime:n tai LiteRT-taustaosan läpi, valinnaisella QNN-kiihtyvyys Qualcomm-laitteistolle. Tukee ARM64:ää ja x86_64. Katso Käynnistysvaihe Linux asennusohjeet.

Toimiiko Soniqo Windows?

Kyllä. Puhe rakentuu Windows x86_64 jossa molemmat päättelyperusteet ... ONNX Runtime sekä LiteRT .Nemotron, Parakeet), äänen toiminnan havaitseminen, kaiuttimen diarisointi, ja VoxCPM2 - Tekstaripuhetta. Speech Studio myös lähettää Windows-asentimen paikallisäänen kloonaukseen.

Voinko jakaa malleja alustojen välillä?

Ydinmallit (Parakeet, Kokoro ja Silero) ONNX-muoto Molemmista Android, Linux sekä Windows. Apple käyttää CoreML/MLX formaatit. Samat taustapainot, eri vientimuodot optimoitu kunkin alustan laitteiston kiihtyvyys.