Maskinöversättning · Engelskt original

Kom igång

Installera speech CLI för att transkribera och generera ljud på din Apple Silicon Mac. Använd Swift SDK för att lägga till talbehandling till macOS och iOS apps.

KLI-krav

• macOS 15+ (Sequoia eller senare)
• Apple Silicon (arm64)
• 8 GB RAM minimum (16 GB rekommenderas för större modeller)

Installera CLI

Homebrew (CLI)

Använda infödda ARM Homebrew (/opt/homebrew) att installera speech och speech-server HTTP/WebSocket server.

brew install speech
speech --help

Första uppgiften: transkribera en M4A fil

Ladda ner provinspelningen, sedan transkribera den i din terminal:

Anslut till internet för den första körningen. De valda modellnedladdningarna från HuggingFace och stannar cachade på din Mac. Efter installationen kan du transkribera lokala inspelningar offline med den modellen.

curl -fL https://soniqo.audio/audio/samples/cli/transcription-sample.m4a -o transcription-sample.m4a
speech transcribe transcription-sample.m4a --engine parakeet

Fortsätt med M4A-to-text guiden.

Snabbstart: Text-till-tal

speech speak "Hello, world!" --output hello.wav

Kör ett lokalt tal API

Starta HTTP/WebSocket-servern för lokal API förfrågningar:

speech-server --port 8080

Swift SDK

Lägg till Swift moduler till din macOS 15+ eller iOS 18+ app med Swift Package Manager.

Swift Package Manager

Lägg till speech-swift till dina Package.swift beroenden:

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

Lägg sedan till de moduler du behöver för ditt mål:

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... add any modules you need
    ]
)

Tillgängliga moduler

Transkribera ljud med Swift

import Qwen3ASR

let model = try await Qwen3ASRModel.fromPretrained()
// audioSamples: [Float] PCM at 16 kHz (e.g. decoded from a WAV)
let text = model.transcribe(audio: audioSamples, sampleRate: 16000)
print(text)

Generera tal med Swift

import Qwen3TTS
import AudioCommon

let model = try await Qwen3TTSModel.fromPretrained()
let audio = model.synthesize(text: "Hello, world!", language: "english")
try WAVWriter.write(samples: audio, sampleRate: 24000, to: URL(filePath: "hello.wav"))

Byggnad från Source

För en källbyggnad, installera Xcode 16.3 + med Metal Toolchain och Swift 6+. Klon repository, bygg CLI, sedan checka binären i kassan:

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

Shader bygger standard för macOS 15.0 och Metal 3.2, även med nyare SDKs. åsidosätta dessa med MACOSX_DEPLOYMENT_TARGET och MLX_METAL_LANGUAGE_VERSION för anpassade byggnader; högre mål kan utesluta äldre system. Compiler, SDK, flagga, skript eller källförändringar ogiltigförklara cache. Misslyckad sammanställning eller länkning bevarar föregående bibliotek och cache hash.

Modell nedladdningar

Modeller hämtas automatiskt från HuggingFace vid första användning och cachad i ~/Library/Caches/qwen3-speech/.

Alla modeller laddas ner från HuggingFace vid första användning. Ungefär storlekar:

Nästa steg

• Fortsätt med M4A-to-text guiden
• CLI Reference - alla tillgängliga kommandon och alternativ
• Qwen3-ASR Guide — detaljerad dokumentation av tal till text
• Qwen3-TTS Guide — detaljerad text-till-taldokumentation
• API & Protocols — delade protokoll och typer