Konekäännös · Englanninkielinen alkuperäinen

Aloitus

Asenna speech CLI kirjoittamaan ja tuottamaan ääntä Apple Silicon Mac. Käytä Swift SDK lisätäksesi puheenkäsittelyn macOS ja iOS -sovelluksiin.

CLI-vaatimukset

• macOS 15+ (Sequoia tai uudempi)
• Apple Silicon (arm64)
• 8 GB RAM vähintään (16 GB suositeltu suuremmille malleille)

Asenna CLI

Homebrew (CLI)

Käytä natiivia ARM:ää Homebrew (/opt/homebrew) asentaa speech ja speech-server HTTP/WebSocket-palvelin.

brew install speech
speech --help

Ensimmäinen tehtävä: kirjoita M4A -tiedosto

Lataa näytetallenne ja kirjoita se päätteessäsi:

Liitä internetiin ensimmäistä juoksua varten. Valittu malli lataa HuggingFace -palvelusta ja pysyy välimuistissa Mac -palvelussa. Asennuksen jälkeen voit kopioida paikallisia nauhoituksia offline-muodossa.

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

Jatka M4A-to-text-ohjetta .

Pikakäynnistys: tekstipuhe

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

Aja paikallinen puhe API

Käynnistä HTTP/WebSocket -palvelin paikalliselle API -pyynnölle:

speech-server --port 8080

Swift SDK

Lisätään Swift -moduulit macOS 15+ tai iOS 18+ -sovelluksella, jossa on Swift Pakettipäällikkö.

Swift Paketinhallinta

Lisätään speech-swift Package.swiftvaihteisto riippuvuudet:

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

Lisää sitten haluamasi moduulit kohteeseen:

.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
    ]
)

Käytettävissä olevat moduulit

Käännä ääni 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)

Luo puhe 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"))

Rakennus lähteestä

Lähteen rakennetta varten asenna Xcode 16.3+, jossa on Metal Toolchain ja Swift 6+. Kloonaa arkisto, rakenna CLI, tarkista sitten kassassa oleva binääri:

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

Shader rakentaa oletusarvon macOS 15.0 ja Metal 3.2, jopa uudemmilla SDK:illa. Ohita nämä MACOSX_DEPLOYMENT_TARGET ja MLX_METAL_LANGUAGE_VERSION, kun kyseessä on muokattu rakenne; korkeampiin kohteisiin ei välttämättä sisälly vanhempia järjestelmiä.

Mallilataukset

Mallit ladataan automaattisesti HuggingFace -tilalta ensimmäisestä käyttökerrasta ja välimuisti ~/Library/Caches/qwen3-speech/.

Kaikki mallit ladataan HuggingFace -mallista. Arvioitu koko:

Seuraavat vaiheet

• Jatka M4A-to-text opasta
• CLI Reference ... kaikki käytettävissä olevat komennot ja asetukset
• Qwen3-ASR Guide .
• Qwen3-TTS Guide .
• API & Protokollat ...