Awtomatikong salin · Orihinal sa Ingles

Madalas na Tinatanong

Ang speech-swift ba ay gumagana sa iOS?

Kokoro TTS, Qwen3.5-Chat, Silero VAD, Parakeet ASR, DeepFilterNet3, at WeSpeaker lahat ay tumatakbo iOS 18+ via CoreML on the Neural Engine. MLX-based models (Qwen3-ASR, Qwen3-TTS), Qwen3.5-Chat MLX (XQXZ) na nangangailangan ng PersonaPlex). macOS 15+ sa Apple Silicon.

Nangangailangan ba ito ng koneksiyon sa internet?

Tanging para sa panimulang modelo na download mula sa HuggingFace (automatic, na nakalagay sa loob ~/Library/Caches/qwen3-speech/ Pagkatapos niyan, lahat ng pagbabago ay tumatakbo offline na walang network access. Walang ulap APIs, walang API keys na kinakailangan.

Paano maihahambing ang speech-swift sa Whisper?

Nakamit ng Qwen3-ASR-0.6B RTF 0.012 tungkol sa M5 Pro — Epidensiya7× mas mabilis kaysa WhisperKit Large-v3 Turbo (paglilinaw)RTF 0.084) at 40% mas mabilis kaysa Whisper-large-v3 sa pamamagitan ng bulong.cpp (RTF 0.10) — na may katulad na katumpakan sa ibayo 52 wika. speech-swift nagbibigay ng katutubong wika Swift async/await API, habang pabulong.cpp ay nangangailangan ng tulay na C++.

Malasin ang lahat Mga mesa kung ihahambing Para sa ASR at TTS benchmark laban sa bulong.cpp, Apple SFSpeechRecognizer, AVSpeechSynthesizer, at ulap APIs.

Anong Apple Silicon chips ang suportado?

Lahat ng mga chip ng M-serye: M1, M2, M3, M4 at ang kanilang Pro/Max/Ultra variants. macOS 15+ (Sequoia) o iOS 18+.

Bakit kailangan nito ang macOS 15 / iOS 18?

Ang sahig ay mula sa MLState — Ang walang - lubay na ANE ni Apple API, ipinakilala sa macOS 15 at iOS 18. Ang CoreML Mga tubo (mga tuboQwen3-ASR, Qwen3-Chat, Qwen3-TTS) gumamit ng MLState upang panatilihing nakatira ang mga imbakan ng KV Neural Engine Sa kabila ng mga bahagyang hakbang, sa halip na sarhan ang mga ito papasok at palabas ng bawat hakbang. Ito ay nag-cut per-token CoreML huli sa pamamagitan ng 30–50% Laban sa mas naunang walang estadong pamamaraan.

Magagamit ko ba ito sa isang komersiyal na app?

Oo. speech-swift ay lisensiyado sa ilalim ng Apache 2.0. Ang mga saligang modelong pabigat ay may kani - kaniyang lisensiya — suriin ang mga HuggingFace pahina para sa mga detalye.

Gaano karaming memorya ang kailangan nito?

Mula sa EX3 MB (Silero VAD) hanggang sa EX6.5 GB (PersonaPlex 7B). Karaniwang gamit:

Puwede ba akong sabay - sabay na magpatakbo ng maraming modelo?

Gamitin ang CoreML mga modelo sa Neural Engine sa tabi MLX mga modelo sa GPU upang maiwasan ang pagtatalo — halimbawa, Silero VAD (CoreML) + Qwen3-ASR (MLX) + Qwen3-TTS (MLX).

Mayroon bang REST API?

Oo, ang totoo. speech-server Inilalantad ng binaryo ang lahat ng mga modelo sa pamamagitan ng HTTP REST at WebSocket endpoints, kabilang ang isang an OpenAI Realtime API-compatible WebSocket sa /v1/realtime. Tingnan ang CLI Reference para sa mga utos ng server.

Paano ko ito iluluklok?

Homebrew:

brew install speech

Ito ay nag-install ng parehong speech CLI at ang speech-server HTTP/WebSocket server sa iyong HAT.

Swift Ack Managing:

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

Tingnan ang Pagsisimula ay umaakay para sa ganap na mga tagubilin.

Anong mga huwaran sa pagsasalita ang makukuha?

Pagsasalita-to-ext: Qwen3-ASR (52 wika, MLX) at Parakeet TDT (TDT25 wika, CoreML).

Text-to-speech: Qwen3-TTS (Nagsasanhi, 10 sa mga wika), CosyVoice3 (voice cloning, 9 at iba pang wika Kokoro-82M (iOS-handa, 50 mga tinig, 10 sa mga wika).

Pagsasalita-to-speech: PersonaPlex 7B (full-duplex dialogue, 18 voice presets).

Pagsusuri sa Audio: Silero + Pyannote VAD, speaker diarization (Pyannote i+Special), WeSpeaker speaker embeldings, at DeepFilterNet3 night controlment.

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

Ang Soniqo ba ay gumagana sa Android?

Oo, ang totoo. speech-android Ang SDK ay nagbibigay ng a Kotlin API kasama ang ONNX Runtime at NNAPI hardware vare. arm64-v8a tungkol sa Android 8+ (API 26). Mga modelong auto-download mula sa ). HuggingFace sa unang gamit (imperyo)1.2 GB). Pagsisimula — Android para sa mga instruksiyon sa setup.

Ang Soniqo ba ay gumagana sa Linux?

Oo, ang totoo. speech-core kasama ang isang proyekto C API para sa mga kagamitang nakabaon at de - motor na Linux (Yocto, mga aparato sa gilid) examples/linux. Ang mga modelo ay tumatakbo sa pamamagitan ng ONNX Runtime o LiteRT backends, na may opsyonal HUMUMUHAY NA TUN Para sa Qualcomm hardware. supports ARM64 at x86_64. Tingnan ang ZXQXZ (paglilinaw). Pagsisimula — Linux para sa mga instruksiyon sa setup.

Ang Soniqo ba ay gumagana sa Windows?

Mayroon. Uso sa Pagsasalita patuloy Windows x86_64 na may parehong di - matututulang mga suporta — ONNX Runtime at LiteRT – nagtatakip ng daloy ng pananalita-to-text (sa Ingles)Nemotron, Parakeet), pagdetek ng boses, pagsasalita, at diarisasyon VoxCPM2 teksto-to-speech. Speech Studio Nagpadala rin ng Windows installer para sa lokal na voice cloning.

Maaari ko bang pagsaluhan ang mga modelo sa pagitan ng mga plataporma?

Ang mga core models (Parakeet, Kokoro. Silero (, DeepFilter) ay gumagamit ng ONNX format sa parehong Android, Linux at Windows. Ang Apple ay gumagamit ng CoreML/MLX formats. Sa parehong ilalim na mga pabigat, iba't ibang mga reported format na optimyado para sa bawat hardware hardscruit ng bawat plataporma.