Empezar

Instala la CLI speech para transcribir y generar audio en tu Mac con Apple Silicon. Usa el SDK de Swift para añadir procesamiento de voz a tus aplicaciones de macOS e iOS.

Requisitos de la CLI

• macOS 15+ (Sequoia o posterior)
• Apple Silicon (arm64)
• 8 GB de RAM mínimo (16 GB recomendado para modelos más grandes)

Instalar la CLI

Homebrew (CLI)

Usa Homebrew nativo para ARM (/opt/homebrew) para instalar speech y el servidor HTTP/WebSocket speech-server.

brew install speech
speech --help

Primera tarea: transcribir un archivo M4A

Descarga la grabación de ejemplo y transcríbela en la terminal:

Conéctate a internet para la primera ejecución. El modelo seleccionado se descarga desde HuggingFace y queda en la caché de tu Mac. Tras la configuración, puedes usarlo para transcribir grabaciones locales sin conexión.

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

Continuar con la guía de M4A a texto.

Inicio rápido: texto a voz

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

Ejecutar una API de voz local

Inicia el servidor HTTP/WebSocket para atender solicitudes locales a la API:

speech-server --port 8080

SDK de Swift

Añade los módulos de Swift a tu aplicación para macOS 15+ o iOS 18+ con Swift Package Manager.

Swift Package Manager

Añade speech-swift a las dependencias de tu Package.swift:

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

Luego añade los módulos que necesites a tu 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
    ]
)

Módulos disponibles

Transcribir audio con 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)

Generar voz con 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"))

Compilar desde el código fuente

Para compilar desde el código fuente, instala Xcode 16.3+ con Metal Toolchain y Swift 6+. Clona el repositorio, compila la CLI y comprueba el ejecutable del directorio de trabajo:

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

Los shaders se compilan para macOS 15.0 y Metal 3.2 por defecto, incluso con SDK más recientes. En compilaciones personalizadas, MACOSX_DEPLOYMENT_TARGET y MLX_METAL_LANGUAGE_VERSION cambian estos valores; destinos superiores pueden excluir sistemas antiguos. Los cambios del compilador, SDK, opciones, script o fuentes invalidan la caché. Si falla la compilación o el enlace, se conservan la biblioteca anterior y el hash de caché.

Descargas de modelos

Los modelos se descargan automáticamente desde HuggingFace en el primer uso y se almacenan en ~/Library/Caches/qwen3-speech/.

Todos los modelos se descargan desde HuggingFace en el primer uso. Tamaños aproximados:

Próximos pasos

• Continuar con la guía de M4A a texto
• Referencia de CLI — todos los comandos y opciones disponibles
• Guía de Qwen3-ASR — documentación detallada de voz a texto
• Guía de Qwen3-TTS — documentación detallada de texto a voz
• API y protocolos — protocolos y tipos compartidos