Начало работы

Установите CLI speech, чтобы расшифровывать и создавать аудио на Mac с Apple Silicon. Используйте Swift SDK для добавления обработки речи в приложения macOS и iOS.

Требования для CLI

• macOS 15+ (Sequoia или новее)
• Apple Silicon (arm64)
• Минимум 8 ГБ RAM (16 ГБ рекомендуется для более крупных моделей)

Установка CLI

Homebrew (CLI)

Используйте нативную ARM-версию Homebrew (/opt/homebrew) для установки speech и HTTP/WebSocket-сервера speech-server.

brew install speech
speech --help

Первая задача: расшифровка файла M4A

Скачайте пример записи и расшифруйте его в терминале:

Для первого запуска подключитесь к интернету. Выбранная модель загрузится с HuggingFace и останется в кэше на Mac. После настройки вы сможете расшифровывать локальные записи этой моделью без интернета.

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

Перейти к руководству по преобразованию M4A в текст.

Быстрый старт: синтез речи

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

Запуск локального речевого API

Запустите HTTP/WebSocket-сервер для локальных запросов к API:

speech-server --port 8080

Swift SDK

Добавьте модули Swift в приложение для macOS 15+ или iOS 18+ через Swift Package Manager.

Swift Package Manager

Добавьте speech-swift в зависимости Package.swift:

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

Затем добавьте нужные модули в ваш таргет:

.target(
    name: "MyApp",
    dependencies: [
        .product(name: "Qwen3ASR", package: "speech-swift"),
        .product(name: "Qwen3TTS", package: "speech-swift"),
        .product(name: "SpeechVAD", package: "speech-swift"),
        // ... добавьте нужные модули
    ]
)

Доступные модули

Расшифровка аудио на 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)

Синтез речи на 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"))

Сборка из исходников

Для сборки из исходников установите Xcode 16.3+ с Metal Toolchain и Swift 6+. Клонируйте репозиторий, соберите CLI и проверьте исполняемый файл в рабочем каталоге:

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

По умолчанию шейдеры собираются для macOS 15.0 и Metal 3.2, даже с более новым SDK. Для собственной сборки MACOSX_DEPLOYMENT_TARGET и MLX_METAL_LANGUAGE_VERSION меняют эти значения; повышение целевых версий может исключить старые системы. Изменения компилятора, SDK, флагов, скрипта или исходных файлов делают кэш недействительным. При ошибке компиляции или компоновки сохраняются предыдущая библиотека и хеш кэша.

Загрузка моделей

Модели автоматически скачиваются с HuggingFace при первом использовании и кэшируются в ~/Library/Caches/qwen3-speech/.

Все модели скачиваются с HuggingFace при первом использовании. Примерные размеры:

Следующие шаги

• Перейти к руководству по преобразованию M4A в текст
• Справочник CLI — все доступные команды и опции
• Руководство Qwen3-ASR — подробная документация по распознаванию речи
• Руководство Qwen3-TTS — подробная документация по синтезу речи
• API и протоколы — общие протоколы и типы