Traducere automată · Originalul în engleză

Întrebări frecvente

Funcționează speech-swift la iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, și WeSpeaker toate alerga pe iOS 18+ prin CoreML privind Neural EngineModele bazate pe MLX (Qwen3-ASR, Qwen3-TTS, Qwen3.5-Chat MLX, PersonaPlex) necesită macOS 15+ pe Apple Silicon.

Are nevoie de o conexiune la internet?

Doar pentru modelul inițial de descărcare de la HuggingFace (automată, cached in ~/Library/Caches/qwen3-speech/). După aceea, toate inference ruleaza complet offline fără acces la rețea. Nu sunt necesare API-uri cloud, no API chei.

Cum se compară speech-swift cu Whisper?

Qwen3-ASR-0.6B atinge RTF 0.012 privind M5 Pro ?7× mai rapid decât WhisperKit Large-v3 Turbo (RTF 0.084) și 40% mai repede decât Whisper-large-v3 prin șoaptă.cpp (RTF 0.10) ا cu o precizie comparabilă pe întreg 52 limbi străine. speech-swift oferă un nativ Swift async/await API, în timp ce șoaptă.cpp necesită un pod C++.

A se vedea tabelele complete comparison pentru ASR și TTS repere împotriva șoaptă.cpp, Apple SFS speechRecognizer, AVS speechingSynthesizer și API-uri de cloud.

Ce Apple Silicon chips-uri sunt acceptate?

Toate chips-urile de serie M: M1, M2, M3, M4 și variantele lor Pro/Max/Ultra. Necesită macOS 15+ (Sequoia) sau iOS 18+.

De ce este necesar macOS 15 / iOS 18?

Podeaua vine de la MLStat bază de date Apple API, introdus în macOS 15 şi iOS 18. CoreML conducte (Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) să utilizeze MLState pentru a păstra caches KV rezident pe Neural Engine pe treptele jetoanelor, în loc să le închideţi şi să le scoateţi fiecare pas. CoreML Latență de 30–50% versus abordarea anterioară a apatrizilor.

Pot să-l folosesc într-o aplicaţie comercială?

Da. speech-swift este licenţiat Apache 2.0. Model de greutăți au propriile lor licențe Pagina HuggingFace pentru detalii.

De câte amintiri are nevoie?

De la ~3 MB (Silero VAD) la ~6,5 GB (PersonaPlex 7B). Utilizare tipică:

Pot rula mai multe modele simultan?

Da, foloseşte. CoreML modele pe Neural Engine alături de MLX modele pe GPU pentru a se evita deformarea Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Există o REST API?

Da. speech-server binar expune toate modelele prin intermediul criteriilor finale HTTP REST și WebSocket, inclusiv OpenAI API compatibil în timp real WebSocket la /v1/realtime Vezi... Referință CLI pentru comenzile serverului.

Cum îl instalez?

Homebrew:

brew install speech

Acest lucru instalează ambele speech CLI şi speech-server Server HTTP/WebSocket pe PATH.

Swift Pachet manager: 

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

Uită-te la Să începem ghid pentru instrucţiuni complete.

Ce modele de vorbire sunt disponibile?

Discurs-la-text: Qwen3-ASR (52 limbi; MLX) și Parakeet TDT (25 limbi; CoreML).

Text-to- speech: Qwen3-TTS (streaming, 10 limbi), CosyVoice3 (clonare vocală, 9 limbi) și Kokoro-82M (iOS-ready, 50 voci, 10 limbi).

Discurs-la-discurs: PersonaPlex 7B (dialog complet-duplex, 18 presetări vocale).

Analiză audio: Silero + Pyannote VAD, diarizare difuzor (Pyannote + Sortformer), WeSpeaker înglobări difuzoare și DeepFilterNet3 suprimarea zgomotului.

LLM: Qwen3.5-0.8B chat (pe dispozitiv, INT4 MLX + INT8 CoreML, jetoane streaming).

Are Soniqo de lucru pe Android?

Da. speech-android SDK oferă o Kotlin API cu accelerația hardware ONNX Runtime și NNAPI. Suporturi arm64-v8a privind Android 8+ (API 26) Modele de descărcare automată de la HuggingFace la prima utilizare (~1.2 GB). Noţiuni de bază început Android pentru instrucțiuni de configurare.

Funcţionează Soniqo la Linux?

Da. speech-core proiectul include o C API pentru dispozitive integrate și auto Linux (Yocto, dispozitive de margine) la examples/linux. Modele rula prin backend-uri ONNX Runtime sau LiteRT, cu opțional Accelerația QNN pentru hardware Qualcomm. Suporturi ARM64 și x86_64. Vezi Noţiuni de bază început Linux pentru instrucțiuni de configurare.

Funcţionează Soniqo la Windows?

Da. Nucleul discursului clădire pe Windows x86_64 cu ambele backend-uri de inferență ONNX Runtime şi LiteRT În cazul în care se utilizează un sistem de măsurare a emisiilor de gaze cu efect de seră în conformitate cu articolul 4 alineatul (1) litera (a) din Regulamentul (UE) nr.Nemotron, Parakeet), detectarea activității vocale, diarizarea difuzorului și VoxCPM2 text-to-speech. Speech Studio de asemenea, navele un instalator Windows pentru clonarea vocii locale.

Pot să împart modelele între platforme?

Modelele de bază (Parakeet, Kokoro, Silero, DeepFilter) Format ONNX pe ambele Android, Linux şi WindowsApple folosește CoreML/MLX formate. Aceleaşi greutăţi de bază, diferite formate de export optimizate pentru acceleraţia hardware a fiecărei platforme.