Premiers pas

speech-swift fournit un traitement vocal IA embarqué pour macOS et iOS sur Apple Silicon. Les modèles s'exécutent localement via MLX (GPU Metal) et CoreML (Neural Engine).

Prérequis

macOS 14+ (Sonoma ou ultérieur)
Apple Silicon (séries M1, M2, M3, M4)
Xcode 15.4+ / Swift 6.0+
8 Go de RAM minimum (16 Go recommandés pour les modèles plus grands)

Installation

Swift Package Manager

Ajoutez speech-swift aux dépendances de votre Package.swift :

dependencies: [
    .package(url: "https://github.com/soniqo/speech-swift", from: "0.0.9")
]

Puis ajoutez les modules dont vous avez besoin à votre cible :

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... ajoutez tous les modules dont vous avez besoin
    ]
)

Modules disponibles

Module	Description
`Qwen3ASR`	Parole vers texte (Qwen3-ASR)
`ParakeetASR`	Parole vers texte (Parakeet TDT, CoreML)
`Qwen3TTS`	Texte vers parole (Qwen3-TTS)
`CosyVoiceTTS`	Texte vers parole (CosyVoice3, multilingue)
`KokoroTTS`	Texte vers parole (Kokoro-82M, CoreML, compatible iOS)
`Qwen3Chat`	Chat LLM embarqué (Qwen3.5-0.8B, MLX + CoreML)
`PersonaPlex`	Parole-à-parole (PersonaPlex 7B)
`SpeechVAD`	VAD (Silero + Pyannote), diarisation, empreintes de locuteur
`SpeechEnhancement`	Suppression de bruit (DeepFilterNet3, CoreML)
`AudioCommon`	Protocoles partagés, E/S audio, téléchargeur HuggingFace

Compilation depuis les sources

Clonez le dépôt et compilez :

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

Important

make build compile automatiquement la bibliothèque de shaders MLX Metal. Sans elle, l'inférence GPU est environ 5× plus lente à cause de la compilation JIT des shaders.

Démarrage rapide : transcrire de l'audio

CLI

# Transcrire un fichier WAV
.build/release/audio transcribe recording.wav

API Swift

import Qwen3ASR

let model = try await Qwen3ASRModel.loadFromHub()
let result = try await model.transcribe(audioFile: "recording.wav")
print(result.text)

Les modèles sont téléchargés automatiquement depuis HuggingFace à la première utilisation et mis en cache dans ~/Library/Caches/qwen3-speech/.

Démarrage rapide : synthèse vocale

CLI

# Générer de la parole
.build/release/audio speak "Hello, world!" --output hello.wav

API Swift

import Qwen3TTS

let model = try await Qwen3TTSModel.loadFromHub()
let audio = try await model.speak("Hello, world!")
try audio.write(to: "hello.wav")

Téléchargements des modèles

Tous les modèles sont téléchargés depuis HuggingFace à la première utilisation. Tailles approximatives :

Modèle	Taille	Utilisation RAM
Qwen3-ASR 0.6B (4 bits)	680 Mo	~2,2 Go pic
Qwen3-ASR 0.6B (8 bits)	1,0 Go	~2,5 Go pic
Qwen3-ASR 1.7B (4 bits)	2,1 Go	~4 Go pic
Parakeet-TDT (CoreML INT8)	500 Mo	~600 Mo pic
Qwen3-TTS 0.6B (4 bits)	1,7 Go	~2 Go pic
Qwen3-TTS 1.7B (4 bits)	3,2 Go	~4 Go pic
CosyVoice3 (LLM 4 bits)	1,2 Go	~1,5 Go pic
Kokoro-82M (CoreML INT8)	89 Mo	~200 Mo pic
Qwen3.5-Chat 0.8B (INT4 MLX)	418 Mo	~700 Mo pic
Qwen3.5-Chat 0.8B (INT8 CoreML)	981 Mo	~1,2 Go pic
PersonaPlex 7B (8 bits) recommandé	9,1 Go	~11 Go pic
PersonaPlex 7B (4 bits)	4,9 Go	~6,5 Go pic
Pyannote VAD	5,7 Mo	~20 Mo pic
Silero VAD v5	1,2 Mo	~5 Mo pic
WeSpeaker ResNet34	25 Mo	~50 Mo pic
DeepFilterNet3 (FP16)	4,2 Mo	~10 Mo pic

Prochaines étapes

Référence CLI — toutes les commandes et options disponibles
Guide Qwen3-ASR — documentation détaillée de la parole vers texte
Guide Qwen3-TTS — documentation détaillée de la synthèse vocale
API et protocoles — protocoles et types partagés