Primeiros passos

O speech-swift oferece processamento de fala por IA no dispositivo para macOS e iOS em Apple Silicon. Os modelos rodam localmente usando MLX (GPU Metal) e CoreML (Neural Engine).

Requisitos

macOS 14+ (Sonoma ou posterior)
Apple Silicon (séries M1, M2, M3, M4)
Xcode 15.4+ / Swift 6.0+
8 GB de RAM no mínimo (16 GB recomendados para modelos maiores)

Instalação

Swift Package Manager

Adicione o speech-swift às dependências do seu Package.swift:

dependencies: [
    .package(url: "https://github.com/soniqo/speech-swift", from: "0.0.9")
]

Depois adicione os módulos que você precisa ao seu target:

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... adicione quaisquer módulos que você precise
    ]
)

Módulos disponíveis

Módulo	Descrição
`Qwen3ASR`	Fala para texto (Qwen3-ASR)
`ParakeetASR`	Fala para texto (Parakeet TDT, CoreML)
`Qwen3TTS`	Texto para fala (Qwen3-TTS)
`CosyVoiceTTS`	Texto para fala (CosyVoice3, multilíngue)
`KokoroTTS`	Texto para fala (Kokoro-82M, CoreML, pronto para iOS)
`Qwen3Chat`	Chat LLM no dispositivo (Qwen3.5-0.8B, MLX + CoreML)
`PersonaPlex`	Fala para fala (PersonaPlex 7B)
`SpeechVAD`	VAD (Silero + Pyannote), diarização, embeddings de falante
`SpeechEnhancement`	Supressão de ruído (DeepFilterNet3, CoreML)
`AudioCommon`	Protocolos compartilhados, I/O de áudio, downloader do HuggingFace

Compilar a partir do código-fonte

Clone o repositório e compile:

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

Importante

O make build compila a biblioteca de shaders Metal do MLX automaticamente. Sem ela, a inferência em GPU roda ~5x mais lenta devido à compilação JIT dos shaders.

Início rápido: transcrever áudio

CLI

# Transcrever um arquivo WAV
.build/release/audio transcribe recording.wav

API Swift

import Qwen3ASR

let model = try await Qwen3ASRModel.loadFromHub()
let result = try await model.transcribe(audioFile: "recording.wav")
print(result.text)

Os modelos são baixados automaticamente do HuggingFace no primeiro uso e armazenados em cache em ~/Library/Caches/qwen3-speech/.

Início rápido: texto para fala

CLI

# Gerar fala
.build/release/audio speak "Olá, mundo!" --output hello.wav

API Swift

import Qwen3TTS

let model = try await Qwen3TTSModel.loadFromHub()
let audio = try await model.speak("Hello, world!")
try audio.write(to: "hello.wav")

Downloads de modelos

Todos os modelos são baixados do HuggingFace no primeiro uso. Tamanhos aproximados:

Modelo	Tamanho	Uso de RAM
Qwen3-ASR 0.6B (4-bit)	680 MB	~2,2 GB pico
Qwen3-ASR 0.6B (8-bit)	1.0 GB	~2,5 GB pico
Qwen3-ASR 1.7B (4-bit)	2.1 GB	~4 GB pico
Parakeet-TDT (CoreML INT8)	500 MB	~600 MB pico
Qwen3-TTS 0.6B (4-bit)	1.7 GB	~2 GB pico
Qwen3-TTS 1.7B (4-bit)	3.2 GB	~4 GB pico
CosyVoice3 (LLM 4-bit)	1.2 GB	~1,5 GB pico
Kokoro-82M (CoreML INT8)	89 MB	~200 MB pico
Qwen3.5-Chat 0.8B (INT4 MLX)	418 MB	~700 MB pico
Qwen3.5-Chat 0.8B (INT8 CoreML)	981 MB	~1,2 GB pico
PersonaPlex 7B (8-bit) recomendado	9.1 GB	~11 GB pico
PersonaPlex 7B (4-bit)	4.9 GB	~6,5 GB pico
Pyannote VAD	5.7 MB	~20 MB pico
Silero VAD v5	1.2 MB	~5 MB pico
WeSpeaker ResNet34	25 MB	~50 MB pico
DeepFilterNet3 (FP16)	4.2 MB	~10 MB pico

Próximos passos

Referência da CLI — todos os comandos e opções disponíveis
Guia do Qwen3-ASR — documentação detalhada de fala para texto
Guia do Qwen3-TTS — documentação detalhada de texto para fala
API e protocolos — protocolos e tipos compartilhados