O speech-swift funciona no iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, Omnilingual ASR (300M), DeepFilterNet3 e WeSpeaker rodam no iOS 17+ via CoreML no Neural Engine. Modelos baseados em MLX (Qwen3-ASR, Qwen3.5-Chat MLX, PersonaPlex, Omnilingual 1B/3B/7B) exigem macOS 14+ em Apple Silicon. O Qwen3-TTS tem backends tanto em MLX quanto em CoreML.

O speech-swift precisa de conexão com a internet?

Apenas para o download inicial do modelo a partir do HuggingFace. Depois disso, toda a inferência roda totalmente offline sem acesso à rede. Sem APIs na nuvem, sem chaves de API.

Como o speech-swift se compara ao Whisper?

O Qwen3-ASR-0.6B alcança RTF 0,06 em um M2 Max — 40% mais rápido que o Whisper-large-v3 via whisper.cpp (RTF 0,10) — com precisão comparável em 52 idiomas. O speech-swift oferece uma API nativa Swift async/await, enquanto o whisper.cpp exige uma ponte C++.

Quais chips Apple Silicon são suportados?

Todos os chips da série M: M1, M2, M3, M4 e suas variantes Pro/Max/Ultra. Requer macOS 14+ (Sonoma) ou iOS 17+.

Posso usar o speech-swift em um aplicativo comercial?

Sim. O speech-swift é licenciado sob Apache 2.0. Os pesos dos modelos subjacentes têm suas próprias licenças — confira a página do HuggingFace de cada modelo para detalhes.

Quanta memória o speech-swift precisa?

De ~3 MB (Silero VAD) a ~6,5 GB (PersonaPlex 7B). O Kokoro TTS usa ~200 MB, o Qwen3-ASR ~2,2 GB, o Qwen3-TTS ~2 GB. Vários modelos podem rodar simultaneamente usando CoreML no Neural Engine junto com MLX na GPU.

SDK de fala no dispositivo

Começar — Apple Começar — Android

Apple — Homebrew:

brew tap soniqo/speech https://github.com/soniqo/speech-swift && brew install speech

Android — Gradle:

implementation("audio.soniqo:speech:0.0.5")

Fala para texto

Texto para fala

Modelos de linguagem

Qwen3.5-0.8B Chat

LLM no dispositivo, DeltaNet híbrido + GatedAttention, INT4 MLX / INT8 CoreML, tokens em streaming

MLXCoreML

Fala para fala

PersonaPlex 7B

Diálogo falado full-duplex, 18 presets de voz, RTF ~0,87

MLX

Análise de áudio

Android e Linux

Desempenho

0.06x

ASR 17x mais rápido que tempo real

0.55x

TTS 37ms/passo, mais rápido que tempo real

0.87x

Fala para fala 68ms/passo, full-duplex

~15

LLM tok/s Qwen3.5-0.8B INT4, série M

23x

VAD em streaming chunks de 32ms, latência sub-ms

2.35%

WER de ASR Supera Whisper Large v3 Turbo

99.1%

VAD F1 FireRedVAD em FLEURS

Ver todos os benchmarks →

Memória

2.2 GB

Qwen3-ASR 0.6B MLX 4-bit · 675 MB pesos

2 GB

Qwen3-TTS 0.6B MLX 4-bit · 977 MB pesos

500 MB

Kokoro-82M CoreML · 325 MB pesos

700 MB

Qwen3.5-Chat 0.8B MLX INT4 · 418 MB pesos

1.5 GB

CosyVoice3 0.5B MLX 4-bit · 732 MB pesos

6.5 GB

PersonaPlex 7B MLX 4-bit · 4.9 GB pesos

400 MB

Parakeet TDT 0.6B CoreML INT8 · 500 MB pesos

SDK de fala no dispositivo

Qwen3-ASR

Parakeet TDT

Omnilingual ASR

Alinhamento forçado

Qwen3-TTS

CosyVoice3

Kokoro-82M

Clonagem de voz

Qwen3.5-0.8B Chat

PersonaPlex 7B

Detecção de atividade de voz

Diarização de falantes

Embeddings de falante

Aprimoramento de fala

Separação de fontes

Parakeet TDT v3

Kokoro-82M

Silero VAD v5

DeepFilterNet3