Tłumaczenie automatyczne · Oryginał angielski

Pierwsze kroki

Zainstaluj speech CLI do transkrypcji i generowania dźwięku na swoim Apple Silicon MacUżyj Swift SDK dodać przetwarzanie mowy do macOS oraz iOS aplikacje.

Wymogi CLI

• macOS 15+ (Sequoia lub późniejsza)
• Apple Silicon (arm64)
• 8 GB RAM minimum (16 Gibbs zalecane dla większych modeli)

Zainstaluj CLI

Homebrew (CLI)

Użyj rodzimej ARM Homebrew (/opt/homebrew) do instalacji speech oraz speech-server Serwer HTTP / WebSocket.

brew install speech
speech --help

Pierwsze zadanie: przepisywanie pliku M4A

Pobierz zapis próbki, a następnie przepisz go w terminalu:

Połącz się z internetem podczas pierwszego uruchomienia. Wybrany model pobiera z HuggingFace i zostaje na swoim Mac. Po skonfigurowaniu możesz zapisywać lokalne nagrania offline z tym modelem.

curl -fL https://soniqo.audio/audio/samples/cli/transcription-sample.m4a -o transcription-sample.m4a
speech transcribe transcription-sample.m4a --engine parakeet

Kontynuuj z przewodnikiem M4A-to-text.

Szybki start: Text- to- Speech

speech speak "Hello, world!" --output hello.wav

Uruchom lokalną mowę API

Uruchom serwer HTTP / WebSocket dla lokalnych żądań API:

speech-server --port 8080

Swift SDK

Dodaj moduły Swift do swojego macOS 15+ lub iOS z aplikacją 18+ za pomocą Swift Package Manager.

Swift menedżer pakietów

Dodaj speech-swift do Package.swift uzależnienia:

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

Następnie dodaj potrzebne moduły do celu:

.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
    ]
)

Dostępne moduły

Transcribe audio z Swift

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)

Generuj mowę z Swift

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"))

Budynek ze źródła

Aby zbudować źródło, zainstaluj Xkod 16.3+ za pomocą łańcucha narzędzi Metal i Swift 6+. Klonuj repozytorium, buduj CLI, a następnie sprawdź binarne w kasie:

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

Shader buduje domyślną macOS 15.0 oraz Metal 3.2, nawet z nowszych SDK. Override te z MACOSX_DEPLOYMENT_TARGET oraz MLX_METAL_LANGUAGE_VERSION dla własnych konstrukcji; wyższe cele mogą wykluczać starsze systemy. Kompilator, SDK, flaga, skrypt, lub zmiany źródła unieważniają cache. Nie powiodło się kompilacja lub powiązanie zachowuje poprzednią bibliotekę i hash cache.

Pobieranie modeli

Modele są automatycznie pobierane z HuggingFace przy pierwszym użyciu i buforowane w ~/Library/Caches/qwen3-speech/.

Wszystkie modele są pobierane z HuggingFace przy pierwszym użyciu. Przybliżone rozmiary:

Kolejne kroki

• Kontynuuj z przewodnikiem M4A-to-text
• Odniesienie do CLI - wszystkie dostępne polecenia i opcje
• Przewodnik Qwen3-ASR - szczegółową dokumentację przemówień do tekstu
• Przewodnik Qwen3-TTS - szczegółową dokumentację podręczną do mowy
• API i protokoły - wspólne protokoły i typy