Работает ли speech-swift на iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, Omnilingual ASR (300M), DeepFilterNet3 и WeSpeaker работают на iOS 17+ через CoreML на Neural Engine. Модели на базе MLX (Qwen3-ASR, Qwen3.5-Chat MLX, PersonaPlex, Omnilingual 1B/3B/7B) требуют macOS 14+ на Apple Silicon. У Qwen3-TTS есть и MLX-, и CoreML-бэкенды.

Требуется ли speech-swift подключение к интернету?

Только для первоначальной загрузки модели с HuggingFace. После этого весь инференс выполняется полностью офлайн без сетевого доступа. Без облачных API, без API-ключей.

Как speech-swift сравнивается с Whisper?

Qwen3-ASR-0.6B достигает RTF 0.06 на M2 Max — на 40% быстрее, чем Whisper-large-v3 через whisper.cpp (RTF 0.10) — с сопоставимой точностью на 52 языках. speech-swift предоставляет нативный Swift async/await API, в то время как whisper.cpp требует C++ мост.

Какие чипы Apple Silicon поддерживаются?

Все чипы серии M: M1, M2, M3, M4 и их варианты Pro/Max/Ultra. Требуется macOS 14+ (Sonoma) или iOS 17+.

Могу ли я использовать speech-swift в коммерческом приложении?

Да. speech-swift лицензирован под Apache 2.0. У весов самих моделей свои лицензии — детали смотрите на странице HuggingFace каждой модели.

Сколько памяти требуется speech-swift?

От ~3 МБ (Silero VAD) до ~6.5 ГБ (PersonaPlex 7B). Kokoro TTS использует ~200 МБ, Qwen3-ASR ~2.2 ГБ, Qwen3-TTS ~2 ГБ. Несколько моделей могут работать одновременно, используя CoreML на Neural Engine параллельно с MLX на GPU.

SDK для речи на устройстве

Начало работы — Apple Начало работы — 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")

Речь в текст

Текст в речь

Языковые модели

Qwen3.5-0.8B Chat

LLM на устройстве, гибрид DeltaNet + GatedAttention, INT4 MLX / INT8 CoreML, потоковая генерация токенов

MLXCoreML

Речь в речь

PersonaPlex 7B

Полнодуплексный голосовой диалог, 18 голосовых пресетов, RTF ~0.87

MLX

Анализ аудио

Android и Linux

Производительность

0.06x

ASR 17x быстрее реального времени

0.55x

TTS 37 мс/шаг, быстрее реального времени

0.87x

Речь в речь 68 мс/шаг, полный дуплекс

~15

LLM ток/с Qwen3.5-0.8B INT4, серия M

23x

Потоковый VAD чанки 32 мс, задержка меньше миллисекунды

2.35%

WER ASR Превосходит Whisper Large v3 Turbo

99.1%

VAD F1 FireRedVAD на FLEURS

Смотреть все бенчмарки →

Память

2.2 GB

Qwen3-ASR 0.6B MLX 4-бит · 675 MB весов

2 GB

Qwen3-TTS 0.6B MLX 4-бит · 977 MB весов

500 MB

Kokoro-82M CoreML · 325 MB весов

700 MB

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

1.5 GB

CosyVoice3 0.5B MLX 4-бит · 732 MB весов

6.5 GB

PersonaPlex 7B MLX 4-бит · 4.9 GB весов

400 MB

Parakeet TDT 0.6B CoreML INT8 · 500 MB весов

SDK для речи на устройстве

Qwen3-ASR

Parakeet TDT

Omnilingual ASR

Выравнивание с форсированием

Qwen3-TTS

CosyVoice3

Kokoro-82M

Клонирование голоса

Qwen3.5-0.8B Chat

PersonaPlex 7B

Детектор голосовой активности

Диаризация спикеров

Эмбеддинги спикеров

Улучшение речи

Разделение источников

Parakeet TDT v3

Kokoro-82M

Silero VAD v5

DeepFilterNet3