Maskinoversettelse · Engelsk original

Ofte stilte spørsmål

Arbeider speech-swift på iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, og WeSpeaker Alle løper på iOS 18+ via CoreML på Neural EngineMLX-baserte modeller (Qwen3-ASR, Qwen3-TTS, Qwen3.5-Chat MLX, PersonaPlex) krever macOS 15+ på Apple Silicon.

Trenger det en internettforbindelse?

Bare for den opprinnelige modellen nedlasting fra HuggingFace (automatisk, cached i ~/Library/Caches/qwen3-speech/). Etter det kjører all inferens helt frakoblet uten nettverkstilgang. Ingen sky-APIer, ingen API nøkler som trengs.

Hvordan sammenligner speech-swift med Whisper?

Qwen3-ASR-0.6B oppnår RTF 0.012 på M5 Pro - ~7* raskere enn WhisperKit Large-v3 Turbo (RTF 0.084) og 40% raskere enn Whisper-large-v3 via vish.cpp (RTF 0.10) med sammenlignbar nøyaktighet på tvers av 52 Språk. speech-swift gir en innfødt Swift async/await API, mens hviske.cpp krever en C++ bro.

Se alle komparisontabellene for ASR og TTS benchmarks mot whish.cpp, Apple SF RecitialRecogniizer, AV SpeechSynthesizer og sky APIs.

Hva Apple Silicon chips støttes?

Alle M-serien chips: M1, M2, M3, M4 og deres Pro/Max/Ultra varianter. Krever macOS 15+ (Sequoia) eller iOS 18+.

Hvorfor krever det macOS 15 / iOS 18?

Gulvet kommer fra MLState Apples vedvarende ANE-tilstand APIIntrodusert i macOS 15 og iOS 18. Den CoreML rørledninger (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) bruk MLState for å holde KV-kacheer bosatt på Neural Engine på tvers av token trinn, i stedet for å lukke dem inn og ut hvert trinn. Denne kuttet per-token CoreML Latency av 30–50% mot den tidligere statsløse tilnærmingen.

Kan jeg bruke det i en kommersiell app?

Ja. speech-swift er lisensiert under Apache 2.0. De underliggende modellvektene har egne lisenser - sjekk hver modells HuggingFace siden for detaljer.

Hvor mye minne trenger den?

Fra ~3 MB (Silero VAD) til ~6.5 GB (PersonaPlex 7B). Typisk bruk:

• Kokoro TTS: ~ 200 MB (1 bøtte)
• Qwen3-ASR 0.6B: ~1.0 GB topp (4-bits MLX)
• Qwen3-TTS 0.6B: ~2 GB
• Qwen3.5-Chat 0.8B: ~ 700 MB (INT4 MLX) / ~1.2 GB (INT8 CoreML)
• CosyVoice3: ~1.5 GB
• Parakeet TDT: ~400 MB

Kan jeg kjøre flere modeller samtidig?

Ja. Bruke CoreML modeller på Neural Engine sammen MLX modeller på GPU å unngå stridighet - for eksempel, Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Finnes det en REST API?

Ja. Den speech-server binære eksponerer alle modellene via HTTP REST og WebSocket endepunkter, inkludert en OpenAI Realtime API-kompatible WebSocket på /v1/realtime. Se CLI referanse for serverkommandoer.

Hvordan installerer jeg det?

Homebrew:

brew install speech

Dette installerer både speech CLI og speech-server HTTP/WebSocket serveren på PATH.

Swift Package Manager:

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

Se guiden Få i gang for full instruksjon.

Hvilke talemodeller er tilgjengelige?

Tale-til-tekst: Qwen3-ASR (52 språk, MLX) og Parakeet TDT (25 språk, CoreML).

Text-til-speech: Qwen3-TTS (strømming, 10 språk), CosyVoice3 (lydkloning, 9 språk) og Kokoro-82M (iOS-klar, 50 stemmer, 10 språk).

Speech-to-speech: PersonaPlex 7B (full-duplex dialog, 18 stemmeinnstillinger).

Lydanalyse: Silero + Pyannote VAD, høyttalerdiarisering (Pyannote + sorteringsformer), WeSpeaker høyttalerinnbygginger, og DeepFilterNet3 støyundertrykking.

LLM: Qwen3.5-0.8B Chat (på avdeling, INT4 MLX + INT8 CoreML, streaming polletter).

Fungerer Soniqo på Android?

Ja, den speech-android SDK gir en Kotlin API med ONNX Runtime og NNAPI maskinvareakselerasjon. Støtter arm64-v8a på Android 8+ (API 26). Modeller automatisk nedlasting fra HuggingFace ved første bruk (~)1.2 GB). Se Kom i gang — Android for installasjonsanvisninger.

Virker Soniqo på Linux?

Ja, den speech-core Prosjektet inkluderer C API for innebygde og bil Linux (Yocto, kant enheter) på examples/linux. Modeller kjører gjennom ONNX Runtime eller LiteRT motorer, med valgfri QNN-akselerasjon for Qualcomm maskinvare. Støtter ARM64 og x86_64. Se Kom i gang — Linux for installasjonsanvisninger.

Fungerer Soniqo på Windows?

Ja. Speech Core Bygger på Windows x86_64 med begge inferensmotorer - ONNX Runtime og LiteRT — dekker streaming tale-til-tekst (Nemotron, Parakeet), deteksjon av taleaktivitet, høyttalerdiarisering, og VoxCPM2 tekst til speech. Speech Studio også sender en Windows installasjonsprogram for lokal stemmekloning.

Kan jeg dele modeller mellom plattformer?

Kjernemodellene (Parakeet, Kokoro og Silero) bruk ONNX-format På både Android, Linux og Windows. Apple bruker CoreML/MLX-formater. Samme underliggende vekter, ulike eksportformater optimalisert for hver plattforms maskinvareakselerasjon.