Maskinöversättning · Engelskt original

Ofta frågade frågor

Fungerar speech-swift på iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3och WeSpeaker Alla springa på iOS 18+ via via CoreML på Neural EngineMLX-baserade modeller (Qwen3-ASR, Qwen3-TTS, Qwen3.5-Chat MLX, PersonaPlex) kräver macOS 15+ på Apple Silicon.

Kräver det en internetanslutning?

Endast för den ursprungliga modellnedladdningen från HuggingFace (automatisk, cachad i ~/Library/Caches/qwen3-speech/). Därefter körs all inferens fullt offline utan nätverksåtkomst. Inga moln API:er, inga API nycklar behövs.

Hur jämför speech-swift med Whisper?

Qwen3-ASR-0.6B uppnår RTF 0.012 på M5 Pro – ~7× snabbare än WhisperKit Large-v3 Turbo (Valbo)RTF 0.084) och 40% snabbare än Whisper-large-v3 Visper.cpp (Wisper.Cpp)RTF 0.10) - med jämförbar noggrannhet över 52 språk. speech-swift ger en infödd Swift async/await API, medan viskning.cpp kräver en C++-bro.

Se hela jämförelsetabeller för ASR och TTS riktmärken mot viskning.cpp, Apple SFSpeechRecognizer, AVSpeeichSynthesizer och moln API.

Vad Apple Silicon chips stöds?

Alla M-seriens chips: M1, M2, M3, M4 och deras Pro/Max/Ultra varianter. Kräver macOS 15+ (Sequoia) eller iOS 18+.

Varför kräver det macOS 15/iOS 18?

golvet kommer från MLState Apples ihållande ANE-status APIIntroducerad macOS 15 och iOS 18.. . . CoreML pipelines (på engelska)Qwen3-ASR, Qwen3-Chat, Qwen3-TTS) Använd MLState för att hålla KV-caches bosatta på Neural Engine över token steg, istället för att stänga dem in och ut varje steg. CoreML latens genom 30–50% kontra det tidigare statslösa tillvägagångssättet

Kan jag använda den i en kommersiell app?

Ja. speech-swift är licensierad under Apache 2.0. De underliggande modellvikterna har sina egna licenser – kontrollera varje modells HuggingFace sida för detaljer.

Hur mycket minne behöver det?

Från ~3 MB (Silero VAD) till ~6,5 GB (PersonaPlex 7B). Typisk användning:

Kan jag köra flera modeller samtidigt?

Ja. Använd CoreML modeller på Neural Engine tillsammans MLX modeller på GPU för att undvika påstående - till exempel Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Finns det någon REST API?

Ja, ja. speech-server binär exponerar alla modeller via HTTP REST och WebSocket endpoints, inklusive en OpenAI Realtime API-kompatibel WebSocket på /v1/realtimeSe den CLI Reference för serverkommandon.

Hur installerar jag det?

Homebrew:

brew install speech

Detta installerar både speech CLI och speech-server HTTP/WebSocket server på din PATH.

Swift Package Manager:

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

Se Getting Started guide för fullständiga instruktioner.

Vilka talmodeller finns tillgängliga?

Tal-till-text: Qwen3-ASR (52 språk, MLX) och Parakeet TDT (TDT)25 språk, CoreML).

Text-to-speech: Qwen3-TTS (streaming, 10 språk), CosyVoice3 (röstkloning, 9 språk) och Kokoro-82M (iOS-klar, 50 röster, 10 språk).

Speech-to-speech: PersonaPlex 7B (full-duplex dialog, 18 röstförinställningar).

Audio analys: Silero + Pyannote VAD, högtalardiarisering (Pyannote+ Sortformer), WeSpeaker högtalare inbäddningar och DeepFilterNet3 buller undertryckande.

LLM: Qwen3.5-0.8B Chat (on-device, INT4 MLX + INT8 CoreML, streaming tokens).

Fungerar Soniqo på Android?

Ja, ja. speech-android SDK ger en Kotlin API med ONNX Runtime och NNAPI hårdvaruacceleration. arm64-v8a på Android 8+ (API Z 26). Modeller auto-download från HuggingFace vid första användning (~1.2 GB). Komma igång - Android för installationsanvisningar.

Fungerar Soniqo på Linux?

Ja, ja. speech-core Projektet omfattar C API för inbyggda och billiga Linux (Yocto, edge-enheter) på examples/linux. Modeller körs genom ONNX Runtime eller LiteRT backends, med valfria QNN acceleration för Qualcomm-hårdvara. Stöder ARM64 och x86_64. Komma igång - Linux för installationsanvisningar.

Fungerar Soniqo på Windows?

Ja. Speech Core bygger vidare Windows x86_64 med både inferensbackends - ONNX Runtime och LiteRT - täcker streaming tal-till-text (Nemotron, Parakeet), röstaktivitetsdetektering, högtalare diarization, och VoxCPM2 text-till-tal. Speech Studio också skickar en Windows installer för lokal röst kloning.

Kan jag dela modeller mellan plattformar?

Kärnmodellerna (Parakeet, Kokoro och Silero använder DeepFilter) ONNX-format på både Android, Linux och Windows. Apple använder CoreML / MLX format. Samma underliggande vikter, olika exportformat optimerade för varje plattforms hårdvaruacceleration.