常见问题

speech-swift 能在 iOS 上运行吗？

Kokoro TTS、Qwen3.5-Chat、Silero VAD、Parakeet ASR、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-TTS、Qwen3.5-Chat MLX、PersonaPlex）需要 Apple Silicon 上的 macOS 14+。

需要联网吗？

仅在首次从 HuggingFace 下载模型时需要（自动执行，缓存在 ~/Library/Caches/qwen3-speech/）。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。

完整的 ASR 和 TTS 与 whisper.cpp、Apple SFSpeechRecognizer、AVSpeechSynthesizer 以及云端 API 的对比表见 对比表。

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。

需要多少内存？

从 约 3 MB（Silero VAD）到 约 6.5 GB（PersonaPlex 7B）。典型用量：

• Kokoro TTS：约 200 MB（1 bucket）
• Qwen3-ASR 0.6B：约 2.2 GB
• Qwen3-TTS 0.6B：约 2 GB
• Qwen3.5-Chat 0.8B：约 700 MB（INT4 MLX）/ 约 1.2 GB（INT8 CoreML）
• CosyVoice3：约 1.5 GB
• Parakeet TDT：约 400 MB

可以同时运行多个模型吗？

可以。将 CoreML 模型放在 Neural Engine 上，同时把 MLX 模型放在 GPU 上，可以避免硬件争用——例如 Silero VAD（CoreML）+ Qwen3-ASR（MLX）+ Qwen3-TTS（MLX）。

有 REST API 吗？

有。audio-server 二进制通过 HTTP REST 和 WebSocket 端点暴露所有模型，包括一个兼容 OpenAI Realtime API 的 WebSocket 接口 /v1/realtime。服务器命令请参阅 CLI 参考。

如何安装？

Homebrew：

brew tap soniqo/speech https://github.com/soniqo/speech-swift && brew install speech

Swift Package Manager：

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

完整说明见 快速开始指南。

提供哪些语音模型？

语音转文字：Qwen3-ASR（52 种语言，MLX）和 Parakeet TDT（25 种语言，CoreML）。

文本转语音：Qwen3-TTS（streaming，10 种语言）、CosyVoice3（声音克隆，9 种语言）以及 Kokoro-82M（iOS 就绪，50 种音色，10 种语言）。

语音到语音：PersonaPlex 7B（full-duplex 对话，18 种预设音色）。

音频分析：Silero + Pyannote VAD、说话人分离（Pyannote + Sortformer）、WeSpeaker 说话人 embedding 以及 DeepFilterNet3 降噪。

LLM：Qwen3.5-0.8B Chat（端侧，INT4 MLX + INT8 CoreML，流式 token）。

Soniqo 可以在 Android 上运行吗？

可以。speech-android SDK 提供 Kotlin API，使用 ONNX Runtime 与 NNAPI 硬件加速。在 Android 8+（API 26）上支持 arm64-v8a。模型首次使用时会自动从 HuggingFace 下载（约 1.2 GB）。安装说明见 快速开始 — Android。

Soniqo 可以在 Linux 上运行吗？

可以。speech-android 项目包含面向嵌入式与车载 Linux（Yocto、边缘设备）的 C API。使用 ONNX Runtime，Qualcomm 硬件可选启用 QNN 加速。支持 ARM64 和 x86_64。安装说明见 快速开始 — Linux。

可以在不同平台之间共享模型吗？

核心模型（Parakeet、Kokoro、Silero、DeepFilter）在 Android 和 Linux 上都使用 ONNX 格式。Apple 使用 CoreML/MLX 格式。底层权重相同，只是针对各平台硬件加速优化后的导出格式不同。