शुरुआत

अपने Apple Silicon Mac पर ऑडियो को टेक्स्ट में बदलने और आवाज़ बनाने के लिए speech CLI इंस्टॉल करें। macOS और iOS ऐप में स्पीच प्रोसेसिंग जोड़ने के लिए Swift SDK इस्तेमाल करें।

CLI की आवश्यकताएँ

• macOS 15+ (Sequoia या बाद में)
• Apple Silicon (arm64)
• न्यूनतम 8 GB RAM (बड़े मॉडलों के लिए 16 GB अनुशंसित)

CLI इंस्टॉल करें

Homebrew (CLI)

speech और speech-server HTTP/WebSocket सर्वर इंस्टॉल करने के लिए मूल ARM संस्करण वाला Homebrew (/opt/homebrew) इस्तेमाल करें।

brew install speech
speech --help

पहला काम: M4A फ़ाइल को टेक्स्ट में बदलें

उदाहरण रिकॉर्डिंग डाउनलोड करें, फिर टर्मिनल में उसे टेक्स्ट में बदलें:

पहली बार चलाते समय इंटरनेट से जुड़ें। चुना गया मॉडल HuggingFace से डाउनलोड होकर आपके Mac पर कैश में रहता है। सेटअप के बाद आप उसी मॉडल से स्थानीय रिकॉर्डिंग को ऑफलाइन टेक्स्ट में बदल सकते हैं।

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

M4A से टेक्स्ट बनाने की गाइड पढ़ें.

त्वरित प्रारंभ: टेक्स्ट-टू-स्पीच

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

स्थानीय स्पीच API चलाएँ

स्थानीय API अनुरोधों के लिए HTTP/WebSocket सर्वर शुरू करें:

speech-server --port 8080

Swift SDK

Swift Package Manager से अपने macOS 15+ या iOS 18+ ऐप में Swift मॉड्यूल जोड़ें।

Swift Package Manager

अपने Package.swift dependencies में speech-swift जोड़ें:

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

फिर अपने टारगेट में आवश्यक मॉड्यूल जोड़ें:

.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
    ]
)

उपलब्ध मॉड्यूल

Swift से ऑडियो को टेक्स्ट में बदलें

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)

Swift से आवाज़ बनाएँ

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"))

सोर्स से बिल्ड करना

सोर्स से बिल्ड करने के लिए Metal Toolchain सहित Xcode 16.3+ और Swift 6+ इंस्टॉल करें। रिपॉज़िटरी क्लोन करें, CLI बिल्ड करें, फिर चेकआउट में बनी बाइनरी जाँचें:

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

नए SDK के साथ भी शेडर बिल्ड डिफ़ॉल्ट रूप से macOS 15.0 और Metal 3.2 को लक्षित करता है। कस्टम बिल्ड में MACOSX_DEPLOYMENT_TARGET और MLX_METAL_LANGUAGE_VERSION इन मानों को बदलते हैं; उच्च लक्ष्य संस्करण पुराने सिस्टम पर नहीं चल सकते। कंपाइलर, SDK, फ़्लैग, स्क्रिप्ट या स्रोत में बदलाव से कैश अमान्य हो जाता है। कंपाइलेशन या लिंकिंग विफल होने पर पिछली लाइब्रेरी और कैश हैश सुरक्षित रहते हैं।

मॉडल डाउनलोड

मॉडल पहले उपयोग पर HuggingFace से स्वचालित रूप से डाउनलोड होते हैं और ~/Library/Caches/qwen3-speech/ में कैश होते हैं।

सभी मॉडल पहले उपयोग पर HuggingFace से डाउनलोड होते हैं। अनुमानित आकार:

अगले कदम

• M4A से टेक्स्ट बनाने की गाइड पढ़ें
• CLI संदर्भ — सभी उपलब्ध कमांड और विकल्प
• Qwen3-ASR गाइड — विस्तृत स्पीच-टू-टेक्स्ट दस्तावेज़ीकरण
• Qwen3-TTS गाइड — विस्तृत टेक्स्ट-टू-स्पीच दस्तावेज़ीकरण
• API और प्रोटोकॉल — साझा प्रोटोकॉल और types