Awtomatikong salin · Orihinal sa Ingles

Pagsisimula

Iluklok ang speech CLI para mag - recore at gumawa ng audio sa iyong katawan Apple Silicon Mac. Gamitin ang Swift SDK upang idagdag ang pagproseso ng pagsasalita macOS at iOS mga app.

Mga kahilingan ng CLI

• macOS 15+ (Sequoia o pagkatapos)
• Apple Silicon (arm64)
• 8 GB RAM minimum (16 GB na inirerekomenda para sa mas malalaking modelo)

Iluklok ang CLI

Homebrew (CLI)

Gamitin ang katutubong ARM Homebrew (/opt/homebrew) iluluklok speech at ang speech-server HTTP/WebSocket server.

brew install speech
speech --help

Unang gawain: I - translate ang M4A file

I - download ang sampol na rekording, pagkatapos ay isulat ito sa iyong terminal:

Magkonekta sa internet para sa unang pagtakbo. Ang napiling modelo ay nag - download mula sa HuggingFace at nananatili sa iyong Mac. Pagkatapos ng setup, maaari mong i - transcript ang lokal na mga rekording sa pamamagitan ng modelong iyon.

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

Magpatuloy sa gabay na M4A-to-text.

Mabilis na Pasimula: Text-to-Speech

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

Mamahala sa isang lokal na talumpati API

Paandarin ang midya Ang HTTP/WebSocket server para sa lokal na API requires:

speech-server --port 8080

Swift SDK

Idagdag ang Swift modules sa inyong macOS 15+ o iOS XXXX 18+ app na may Swift Ack Mander.

Swift Namamanihala

Idagdag ang speech-swift sa iyong Package.swift dependencies:

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

Saka idagdag ang mga module na kailangan mo sa iyong target:

.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
    ]
)

Makukuhang mga Module

Transcription audio na may 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)

Tumugtog na pananalita na may 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"))

Pagtatayo Mula sa Pinagmulan

Para sa isang source building, i-install ang Xcode 16.3+ kasama ang Metal Toolchain at Swift 6+. Clone the reposition, itayo ang CLI, saka tingnan ang binaryo sa checkout:

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

Ang sharider ay gumagawa ng hindi pagtupad macOS 15.0 at Metal 3.2, kahit na sa mga mas bagong SDK. Override ang mga ito sa pamamagitan ng MACOSX_DEPLOYMENT_TARGET at MLX_METAL_LANGUAGE_VERSION para sa paggawa ng kaugalian; maaaring ipuwera ng mas mataas na mga target ang mas lumang mga sistema., SDK, flag, script, o source champion. Sawi ang pag - iimbak o pag - uugnay sa dating aklatan at cache hash.

Modelong mga Pagpapababa ng Pabigat

Ang mga modelo ay awtomatikong na-download mula sa HuggingFace sa unang paggamit at cached sa ~/Library/Caches/qwen3-speech/.

Ang lahat ng modelo ay na-download mula sa HuggingFace sa unang gamit. Mga sukat na approximate:

Susunod na mga Hakbang

• Magpatuloy sa gabay na M4A-to-text
• CLI Reference — lahat ng makukuhang utos at mapagpipilian
• Qwen3-ASR Guide — detalyadong dokumentasyon sa pagsasalita-to-text
• Qwen3-TTS Guide — detalyadong dokumento ng teksto-to-speech
• API & Protocols — pinagsaluhan ang mga protocol at uri