よくある質問

speech-swiftはiOSで動作しますか？

Kokoro TTS、Qwen3.5-Chat、Silero VAD、Parakeet ASR、DeepFilterNet3、WeSpeakerはすべてiOS 18+でNeural Engine上のCoreMLを介して動作します。MLXベースのモデル（Qwen3-ASR、Qwen3-TTS、Qwen3.5-Chat MLX、PersonaPlex）はApple Silicon上のmacOS 15+を必要とします。

インターネット接続は必要ですか？

HuggingFaceからの初回のモデルダウンロード時のみ必要です（自動、~/Library/Caches/qwen3-speech/にキャッシュ）。その後、すべての推論はネットワークアクセスなしで完全にオフラインで実行されます。クラウドAPIもAPIキーも不要です。

speech-swiftはWhisperと比較してどうですか？

Qwen3-ASR-0.6BはM2 MaxでRTF 0.06を達成し、whisper.cpp経由のWhisper-large-v3（RTF 0.10）より40%高速で、52言語にわたって同等の精度を実現します。speech-swiftはネイティブSwiftのasync/await APIを提供しますが、whisper.cppはC++ブリッジを必要とします。

whisper.cpp、Apple SFSpeechRecognizer、AVSpeechSynthesizer、クラウドAPIに対するASRおよびTTSベンチマークの完全な比較表をご覧ください。

どのApple Siliconチップがサポートされていますか？

すべてのMシリーズチップ: M1、M2、M3、M4およびそれらのPro/Max/Ultraバリアント。macOS 15+（Sequoia）またはiOS 18+が必要です。

なぜ macOS 15 / iOS 18 が必要ですか？

最小要件は MLState —— Apple が macOS 15 と iOS 18 で導入した永続的 ANE ステート API —— に由来します。CoreML パイプライン（Qwen3-ASR、Qwen3-Chat、Qwen3-TTS）は MLState を使って、トークンステップ間で KV キャッシュを Neural Engine 上に常駐させ、ステップごとに出し入れする必要がありません。これにより、トークンあたりの CoreML レイテンシが以前のステートレス方式と比べて 30〜50% 削減されました。

商用アプリで使用できますか？

はい。speech-swiftはApache 2.0ライセンスの下で提供されています。基礎となるモデルウェイトには独自のライセンスがあります — 詳細は各モデルのHuggingFaceページを確認してください。

どれくらいのメモリが必要ですか？

約3 MB（Silero VAD）から約6.5 GB（PersonaPlex 7B）まで。典型的な使用量:

複数のモデルを同時に実行できますか？

はい。競合を避けるために、Neural Engine上のCoreMLモデルとGPU上のMLXモデルを併用してください — 例: Silero VAD（CoreML）+ Qwen3-ASR（MLX）+ Qwen3-TTS（MLX）。

REST APIはありますか？

はい。speech-serverバイナリは、すべてのモデルをHTTP RESTおよびWebSocketエンドポイントで公開します。/v1/realtimeでOpenAI Realtime API互換のWebSocketも含まれます。サーバーコマンドについてはCLIリファレンスをご覧ください。

インストール方法は？

Homebrew:

brew install soniqo/tap/speech

speech CLI と speech-server HTTP/WebSocket サーバーの両方を PATH にインストールします。

Swift Package Manager:

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

完全な手順についてははじめにガイドをご覧ください。

利用可能な音声モデルは何ですか？

音声認識: Qwen3-ASR（52言語、MLX）とParakeet TDT（25言語、CoreML）。

音声合成: Qwen3-TTS（streaming、10言語）、CosyVoice3（音声クローン、9言語）、Kokoro-82M（iOS対応、50ボイス、10言語）。

音声間変換: PersonaPlex 7B（full-duplex対話、18種類のボイスプリセット）。

音声解析: Silero + Pyannote VAD、話者ダイアライゼーション（Pyannote + Sortformer）、WeSpeaker話者embedding、DeepFilterNet3ノイズ抑制。

LLM: Qwen3.5-0.8B Chat（オンデバイス、INT4 MLX + INT8 CoreML、streamingトークン）。

SoniqoはAndroidで動作しますか？

はい。speech-android SDKは、ONNX RuntimeとNNAPIハードウェアアクセラレーションを備えたKotlin APIを提供します。Android 8+（API 26）でarm64-v8aをサポートします。モデルは初回使用時にHuggingFaceから自動ダウンロードされます（約1.2 GB）。セットアップ手順についてははじめに — Androidをご覧ください。

SoniqoはLinuxで動作しますか？

はい。speech-coreプロジェクトには、組み込みおよび車載Linux（Yocto、エッジデバイス）向けのC APIがexamples/linuxに含まれています。ONNX Runtimeを使用し、Qualcommハードウェア向けのQNNアクセラレーションをオプションで利用できます。ARM64とx86_64をサポートします。セットアップ手順についてははじめに — Linuxをご覧ください。

モデルをプラットフォーム間で共有できますか？

コアモデル（Parakeet、Kokoro、Silero、DeepFilter）は、AndroidとLinuxの両方でONNX形式を使用します。AppleはCoreML/MLX形式を使用します。同じ基礎ウェイト、各プラットフォームのハードウェアアクセラレーションに最適化された異なるエクスポート形式です。