เริ่มต้น

ติดตั้ง CLI speech เพื่อถอดเสียงและสร้างเสียงบน Mac ที่ใช้ Apple Silicon ใช้ Swift SDK เพื่อเพิ่มการประมวลผลเสียงพูดในแอป macOS และ iOS

ข้อกำหนดของ CLI

• macOS 15+ (Sequoia หรือใหม่กว่า)
• Apple Silicon (arm64)
• RAM อย่างน้อย 8 GB (แนะนำ 16 GB สำหรับโมเดลขนาดใหญ่)

ติดตั้ง CLI

Homebrew (CLI)

ใช้ Homebrew รุ่น ARM แบบเนทีฟ (/opt/homebrew) เพื่อติดตั้ง speech และเซิร์ฟเวอร์ HTTP/WebSocket speech-server

brew install speech
speech --help

งานแรก: ถอดเสียงไฟล์ M4A

ดาวน์โหลดไฟล์บันทึกตัวอย่าง แล้วถอดเสียงในเทอร์มินัล:

เชื่อมต่ออินเทอร์เน็ตในการเรียกใช้ครั้งแรก โมเดลที่เลือกจะดาวน์โหลดจาก HuggingFace และเก็บไว้ในแคชบน Mac หลังตั้งค่าเสร็จ คุณสามารถใช้โมเดลนั้นถอดเสียงไฟล์ในเครื่องได้แบบออฟไลน์

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

อ่านต่อในคู่มือแปลง M4A เป็นข้อความ.

เริ่มต้นอย่างรวดเร็ว: ข้อความเป็นเสียงพูด

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

เรียกใช้ API เสียงพูดในเครื่อง

เริ่มเซิร์ฟเวอร์ HTTP/WebSocket เพื่อรับคำขอ API ภายในเครื่อง:

speech-server --port 8080

Swift SDK

เพิ่มโมดูล Swift ในแอปสำหรับ macOS 15+ หรือ iOS 18+ ด้วย Swift Package Manager

Swift Package Manager

เพิ่ม speech-swift เข้าไปในรายการ dependencies ของ Package.swift:

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

จากนั้นเพิ่มโมดูลที่คุณต้องการเข้าไปใน 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
    ]
)

โมดูลที่มีให้ใช้งาน

ถอดเสียงด้วย 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)

สร้างเสียงพูดด้วย 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"))

การคอมไพล์จากซอร์สโค้ด

หากต้องการคอมไพล์จากซอร์ส ให้ติดตั้ง Xcode 16.3+ พร้อม Metal Toolchain และ Swift 6+ โคลนคลังโค้ด คอมไพล์ CLI แล้วตรวจสอบไฟล์เรียกใช้ในไดเรกทอรีซอร์ส:

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

การสร้างเชดเดอร์กำหนดเป้าหมายเริ่มต้นเป็น macOS 15.0 และ Metal 3.2 แม้จะใช้ SDK ที่ใหม่กว่า สำหรับการสร้างแบบกำหนดเอง MACOSX_DEPLOYMENT_TARGET และ MLX_METAL_LANGUAGE_VERSION ใช้เปลี่ยนค่าเหล่านี้ได้ โดยเป้าหมายที่สูงขึ้นอาจไม่รองรับระบบรุ่นเก่า การเปลี่ยนคอมไพเลอร์ SDK แฟล็ก สคริปต์ หรือซอร์สจะทำให้แคชใช้ไม่ได้ หากการคอมไพล์หรือการลิงก์ล้มเหลว ไลบรารีและค่าแฮชของแคชเดิมจะยังคงอยู่

การดาวน์โหลดโมเดล

โมเดลจะถูกดาวน์โหลดอัตโนมัติจาก HuggingFace ในการใช้งานครั้งแรก และเก็บแคชไว้ใน ~/Library/Caches/qwen3-speech/

โมเดลทั้งหมดถูกดาวน์โหลดจาก HuggingFace ในการใช้งานครั้งแรก ขนาดโดยประมาณ:

ขั้นตอนถัดไป

• อ่านต่อในคู่มือแปลง M4A เป็นข้อความ
• อ้างอิง CLI — คำสั่งและตัวเลือกทั้งหมดที่มี
• คู่มือ Qwen3-ASR — เอกสารโดยละเอียดเกี่ยวกับการถอดเสียงเป็นข้อความ
• คู่มือ Qwen3-TTS — เอกสารโดยละเอียดเกี่ยวกับข้อความเป็นเสียงพูด
• API และโปรโตคอล — โปรโตคอลและประเภทข้อมูลที่ใช้ร่วมกัน