speech-swift 能在 iOS 上运行吗？

Kokoro TTS、Qwen3.5-Chat、Silero VAD、Parakeet ASR、Omnilingual ASR（300M）、DeepFilterNet3 和 WeSpeaker 都可以通过 CoreML 在 Neural Engine 上运行于 iOS 17+。基于 MLX 的模型（Qwen3-ASR、Qwen3.5-Chat MLX、PersonaPlex、Omnilingual 1B/3B/7B）需要 Apple Silicon 上的 macOS 14+。Qwen3-TTS 同时提供 MLX 和 CoreML 后端。

speech-swift 需要联网吗？

仅在首次从 HuggingFace 下载模型时需要。之后所有推理都完全离线运行，不访问网络。无需云端 API，也无需 API 密钥。

speech-swift 与 Whisper 相比如何？

Qwen3-ASR-0.6B 在 M2 Max 上达到 RTF 0.06——比通过 whisper.cpp 的 Whisper-large-v3（RTF 0.10）快 40%——在 52 种语言上精度相当。speech-swift 提供原生 Swift async/await API，而 whisper.cpp 需要 C++ 桥接层。

支持哪些 Apple Silicon 芯片？

所有 M 系列芯片：M1、M2、M3、M4 及其 Pro/Max/Ultra 型号。需要 macOS 14+（Sonoma）或 iOS 17+。

可以在商业应用中使用 speech-swift 吗？

可以。speech-swift 采用 Apache 2.0 许可证。底层模型权重有各自的许可证——请查阅每个模型在 HuggingFace 页面上的具体说明。

speech-swift 需要多少内存？

从约 3 MB（Silero VAD）到约 6.5 GB（PersonaPlex 7B）。Kokoro TTS 使用约 200 MB，Qwen3-ASR 约 2.2 GB，Qwen3-TTS 约 2 GB。多个模型可同时运行——通过 CoreML 在 Neural Engine 上以及 MLX 在 GPU 上并行推理。

端侧语音 SDK

快速开始 — Apple 快速开始 — 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")

语音转文字

文本转语音

语言模型

Qwen3.5-0.8B Chat

端侧 LLM，混合 DeltaNet + GatedAttention，INT4 MLX / INT8 CoreML，流式 token

MLXCoreML

语音到语音

PersonaPlex 7B

全双工语音对话，18 种预设音色，RTF 约 0.87

MLX

音频分析

Android 与 Linux

性能

0.06x

ASR 17 倍于实时

0.55x

TTS 37ms/step，快于实时

0.87x

语音到语音 68ms/step，full-duplex

~15

LLM tok/s Qwen3.5-0.8B INT4，M 系列

23x

streaming VAD 32ms chunks，亚毫秒级延迟

2.35%

ASR WER 击败 Whisper Large v3 Turbo

99.1%

VAD F1 FLEURS 上的 FireRedVAD

查看全部 benchmarks →

内存

2.2 GB

Qwen3-ASR 0.6B 4 位 MLX · 权重 675 MB

2 GB

Qwen3-TTS 0.6B 4 位 MLX · 权重 977 MB

500 MB

Kokoro-82M CoreML · 权重 325 MB

700 MB

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

1.5 GB

CosyVoice3 0.5B 4 位 MLX · 权重 732 MB

6.5 GB

PersonaPlex 7B 4 位 MLX · 权重 4.9 GB

400 MB

Parakeet TDT 0.6B CoreML INT8 · 权重 500 MB

端侧语音 SDK

Qwen3-ASR

Parakeet TDT

Omnilingual ASR

强制对齐

Qwen3-TTS

CosyVoice3

Kokoro-82M

声音克隆

Qwen3.5-0.8B Chat

PersonaPlex 7B

语音活动检测

说话人分离

说话人 embedding

语音增强

音源分离

Parakeet TDT v3

Kokoro-82M

Silero VAD v5

DeepFilterNet3