शुरुआत

speech-swift Apple Silicon पर macOS और iOS के लिए ऑन-डिवाइस AI स्पीच प्रोसेसिंग प्रदान करता है। मॉडल MLX (Metal GPU) और CoreML (Neural Engine) का उपयोग करके लोकली चलते हैं।

आवश्यकताएँ

• macOS 15+ (Sequoia या बाद में)
• Apple Silicon (M1, M2, M3, M4 सीरीज़)
• Xcode 16+ / Swift 6.0+
• न्यूनतम 8 GB RAM (बड़े मॉडलों के लिए 16 GB अनुशंसित)

इंस्टॉलेशन

Homebrew (CLI)

macOS पर speech-swift आज़माने का सबसे तेज़ तरीका। speech CLI और HTTP/WebSocket सर्वर speech-server (OpenAI-संगत /v1/realtime एंडपॉइंट) दोनों इंस्टॉल करता है। नेटिव ARM Homebrew (/opt/homebrew) आवश्यक है।

brew install speech

इंस्टॉल के बाद, दोनों बाइनरी आपके PATH में हैं:

speech transcribe recording.wav
speech speak "Hello, world!" --output hello.wav
speech-server --port 8080            # स्थानीय HTTP / WebSocket सर्वर

Swift Package Manager

अपने Package.swift dependencies में speech-swift जोड़ें:

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

फिर अपने टारगेट में आवश्यक मॉड्यूल जोड़ें:

.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
    ]
)

उपलब्ध मॉड्यूल

सोर्स से बिल्ड करना

रिपॉज़िटरी को क्लोन करें और बिल्ड करें:

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

नए SDK के साथ भी शेडर बिल्ड डिफ़ॉल्ट रूप से macOS 15.0 और Metal 3.2 को लक्षित करता है। कस्टम बिल्ड में MACOSX_DEPLOYMENT_TARGET और MLX_METAL_LANGUAGE_VERSION इन मानों को बदलते हैं; उच्च लक्ष्य संस्करण पुराने सिस्टम पर नहीं चल सकते। कंपाइलर, SDK, फ़्लैग, स्क्रिप्ट या स्रोत में बदलाव से कैश अमान्य हो जाता है। कंपाइलेशन या लिंकिंग विफल होने पर पिछली लाइब्रेरी और कैश हैश सुरक्षित रहते हैं।

त्वरित प्रारंभ: ऑडियो ट्रांसक्राइब करें

CLI

# Transcribe a WAV file
.build/release/speech transcribe recording.wav

Swift API

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)

मॉडल पहले उपयोग पर HuggingFace से स्वचालित रूप से डाउनलोड होते हैं और ~/Library/Caches/qwen3-speech/ में कैश होते हैं।

त्वरित प्रारंभ: टेक्स्ट-टू-स्पीच

CLI

# Generate speech
.build/release/speech speak "Hello, world!" --output hello.wav

Swift API

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"))

मॉडल डाउनलोड

सभी मॉडल पहले उपयोग पर HuggingFace से डाउनलोड होते हैं। अनुमानित आकार:

अगले कदम

• CLI संदर्भ — सभी उपलब्ध कमांड और विकल्प
• Qwen3-ASR गाइड — विस्तृत स्पीच-टू-टेक्स्ट दस्तावेज़ीकरण
• Qwen3-TTS गाइड — विस्तृत टेक्स्ट-टू-स्पीच दस्तावेज़ीकरण
• API और प्रोटोकॉल — साझा प्रोटोकॉल और types