Erste Schritte

Installiere die speech-CLI, um auf deinem Apple-Silicon-Mac Audio zu transkribieren und zu erzeugen. Mit dem Swift SDK integrierst du Sprachverarbeitung in macOS- und iOS-Apps.

Voraussetzungen für die CLI

• macOS 15+ (Sequoia oder neuer)
• Apple Silicon (arm64)
• Mindestens 8 GB RAM (16 GB empfohlen für größere Modelle)

CLI installieren

Homebrew (CLI)

Installiere speech und den HTTP/WebSocket-Server speech-server mit der nativen ARM-Version von Homebrew (/opt/homebrew).

brew install speech
speech --help

Erste Aufgabe: Eine M4A-Datei transkribieren

Lade die Beispielaufnahme herunter und transkribiere sie im Terminal:

Verbinde dich für den ersten Aufruf mit dem Internet. Das gewählte Modell wird von HuggingFace heruntergeladen und auf deinem Mac zwischengespeichert. Nach der Einrichtung kannst du mit diesem Modell lokale Aufnahmen offline transkribieren.

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

Weiter zur Anleitung: M4A in Text umwandeln.

Schnellstart: Text-zu-Sprache

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

Lokale Sprach-API starten

Starte den HTTP/WebSocket-Server für lokale API-Anfragen:

speech-server --port 8080

Swift SDK

Füge die Swift-Module mit Swift Package Manager zu deiner App für macOS 15+ oder iOS 18+ hinzu.

Swift Package Manager

Füge speech-swift zu den Abhängigkeiten deiner Package.swift hinzu:

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

Füge dann die benötigten Module zu deinem Target hinzu:

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... füge beliebige benötigte Module hinzu
    ]
)

Verfügbare Module

Audio mit Swift transkribieren

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)

Sprache mit Swift erzeugen

import Qwen3TTS
import AudioCommon

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

Aus dem Quellcode bauen

Für einen Build aus dem Quellcode brauchst du Xcode 16.3+ mit der Metal Toolchain und Swift 6+. Klone das Repository, baue die CLI und prüfe die ausführbare Datei im Checkout:

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

Shader-Builds verwenden standardmäßig macOS 15.0 und Metal 3.2, auch mit neueren SDKs. Für angepasste Builds ändern MACOSX_DEPLOYMENT_TARGET und MLX_METAL_LANGUAGE_VERSION diese Vorgaben; höhere Zielversionen können ältere Systeme ausschließen. Änderungen an Compiler, SDK, Optionen, Skript oder Quelldateien machen den Cache ungültig. Bei Kompilierungs- oder Linkfehlern bleiben die vorherige Bibliothek und der Cache-Hash erhalten.

Modell-Downloads

Modelle werden beim ersten Gebrauch automatisch von HuggingFace heruntergeladen und in ~/Library/Caches/qwen3-speech/ zwischengespeichert.

Alle Modelle werden beim ersten Gebrauch von HuggingFace heruntergeladen. Ungefähre Größen:

Nächste Schritte

• Weiter zur Anleitung: M4A in Text umwandeln
• CLI-Referenz — alle verfügbaren Befehle und Optionen
• Qwen3-ASR-Anleitung — detaillierte Dokumentation zu Sprache-zu-Text
• Qwen3-TTS-Anleitung — detaillierte Dokumentation zu Text-zu-Sprache
• API & Protokolle — gemeinsame Protokolle und Typen