Tłumaczenie automatyczne · Oryginał angielski

Często zadawane pytania

Czy speech-swift działa na iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3oraz WeSpeaker Wszystkie uruchomić iOS 18+ przez CoreML na Neural Engine. Modele bazujące na MLX. (Qwen3-ASR, Qwen3-TTS i Qwen3.5-Chat MLX oraz PersonaPlex) wymagają macOS 15+ na Apple Silicon.

Czy wymaga to połączenia internetowego?

Tylko dla modelu początkowego pobrać z HuggingFace (automatyczny, cached in ~/Library/Caches/qwen3-speech/). Po tym, wszystkie wnioski działa w pełni offline bez dostępu do sieci. Brak API w chmurze, brak kluczy API.

Jak porównuje się speech-swift z Whisper?

Qwen3-ASR-0.6B osiąga RTF 0.012 dnia M5 Pro - ~7× szybszy niż WhisperKit Large-v3 Turbo (RTF 0.084) oraz 40% szybciej niż Whisper-large-v3 przez whisper.cpp (RTF 0.10) - z porównywalną dokładnością 52 języków. speech-swift zapewnia rodzime Swift async/await API, podczas gdy whisper.cpp wymaga mostu C++.

Zobacz pełną tabele porównawcze dla wskaźników ASR i TTS w odniesieniu do Whisper.cpp, Apple SFSpeechRestitunizer, AVSpeechSynthesizer i Cloud API.

Jakie żetony Apple Silicon są obsługiwane?

Wszystkie żetony serii M-: M1, M2, M3, M4 i ich warianty Pro / Max / Ultra. Wymaga macOS 15+ (Sequoia) lub iOS 18+.

Dlaczego to wymaga macOS 15 / iOS 18?

Podłoga pochodzi z MLState - Utrzymujący się stan ANE Apple 'a API, wprowadzone w macOS 15 oraz iOS 18. CoreML rurociągi (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) używać MLState, aby utrzymać KV caches rezydent na Neural Engine poprzecznie na stopniach symbolu, zamiast wrzucać je i wypuszczać każdy stopień. CoreML opóźnienie 30–50% kontra wcześniejsze bezpaństwowe podejście.

Czy mogę go użyć w aplikacji komercyjnej?

Tak. speech-swift jest licencjonowany na Apache 2.0. Podstawy wagi modelu mają swoje własne licencje - sprawdź każdy model Strona HuggingFace szczegóły.

Ile pamięci potrzebuje?

Od - 3 MB Silero VAD) do ~ 6.5 GB (PersonaPlex 7B). Typowe zastosowanie:

Czy mogę uruchomić jednocześnie wiele modeli?

Tak. CoreML modele na Neural Engine obok MLX modele na GPU aby uniknąć sporów - na przykład, Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Czy istnieje REST API?

Tak. speech-server binarne eksponuje wszystkie modele poprzez HTTP REST i WebSocket punktów końcowych, w tym OpenAI Realtime API- kompatybilny WebSocket at /v1/realtimePatrz Odniesienie do CLI dla poleceń serwera.

Jak go zainstalować?

Homebrew:

brew install speech

To instaluje oba speech CLI i speech-server Serwer HTTP / WebSocket na Twoim PATH.

Swift Package Manager:

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

Patrz Rozpoczęcie instrukcja dla pełnej instrukcji.

Jakie modele mowy są dostępne?

Przemówienie do tekstu: Qwen3-ASR (52 języki, MLX) oraz Parakeet TDT (25 języki, CoreML).

Text- to- przemówienie: Qwen3-TTS (streaming, 10 języki), CosyVoice3 (klonowanie głosu, 9 języki), oraz Kokoro-82M (iOS- ready, 50 głosy, 10 języków).

Przemówienie: PersonaPlex 7B (dialog full-duplex, presety głosowe 18).

Analiza dźwięku: Silero + Pyannote VAD, diaryzacja głośników (Pyannote plus Sortformer), osadzanie głośników WeSpeaker oraz tłumienie hałasu DeepFilterNet3.

LLM: Qwen3.5-0.8B Rozmowa (na urządzeniu, INT4 MLX + INT8 CoreML).

Czy Soniqo działa na Android?

Tak. speech-android SDK zapewnia Kotlin API z przyspieszeniem sprzętowym ONNX Runtime i NNAPI. arm64-v8a na Android 8+ (API, 26). Modelki auto- do pobrania z HuggingFace przy pierwszym użyciu (~ 1.2 GB). Rozpoczęcie - Android dla instrukcji konfiguracji.

Czy Soniqo działa na Linux?

Tak. speech-core projekt obejmuje C API dla wbudowanych i samochodowych Linux (Yocto, urządzenia krawędziowe) w examples/linux. Modele uruchamiane przez oparcia ONNX Runtime lub LiteRT, z opcją Przyspieszenie QNN dla sprzętu Qualcomm. Obsługuje ARM64 i x86_64. Zobacz Rozpoczęcie - Linux dla instrukcji konfiguracji.

Czy Soniqo działa na Windows?

Tak. Rdzeń przemowy opiera się na Windows x86_64 z obu typkami do składania wniosków - ONNX Runtime i LiteRT - pokrywającymi strumieniową mowę-to- tekst (Nemotron, Parakeet), wykrywanie aktywności głosu, diaryzację głośników oraz podręczną mowę VoxCPM2. Speech Studio również dostarcza instalator Windows do klonowania lokalnego głosu.

Czy mogę dzielić się modelami między platformami?

Modele rdzeniowe (Parakeet, Kokoro i Silero) Format ONNX zarówno na Android, Linux jak i Windows. Apple używa formatów CoreML / MLX; te same podstawowe wagi, różne formaty eksportowe zoptymalizowane dla przyspieszenia sprzętowego każdej platformy.