เริ่มต้น

speech-swift มอบความสามารถในการประมวลผลเสียงพูดด้วย AI แบบบนอุปกรณ์สำหรับ macOS และ iOS บน Apple Silicon โมเดลทำงานในเครื่องโดยใช้ MLX (Metal GPU) และ CoreML (Neural Engine)

ข้อกำหนด

• macOS 15+ (Sequoia หรือใหม่กว่า)
• Apple Silicon (ตระกูล M1, M2, M3, M4)
• Xcode 16+ / Swift 6.0+
• RAM อย่างน้อย 8 GB (แนะนำ 16 GB สำหรับโมเดลขนาดใหญ่)

การติดตั้ง

Homebrew (CLI)

วิธีที่เร็วที่สุดในการทดลองใช้ speech-swift บน macOS ติดตั้งทั้ง CLI speech และเซิร์ฟเวอร์ HTTP/WebSocket speech-server (endpoint /v1/realtime ที่เข้ากันได้กับ OpenAI) ต้องใช้ ARM Homebrew แบบเนทีฟ (/opt/homebrew)

brew install speech

หลังการติดตั้ง ไฟล์ปฏิบัติการทั้งสองจะอยู่ใน PATH ของคุณ:

speech transcribe recording.wav
speech speak "Hello, world!" --output hello.wav
speech-server --port 8080            # เซิร์ฟเวอร์ HTTP / WebSocket ในเครื่อง

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

การคอมไพล์จากซอร์สโค้ด

โคลนคลังโค้ดและคอมไพล์:

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

เริ่มต้นอย่างรวดเร็ว: ถอดเสียงเป็นข้อความ

CLI

# ถอดเสียงไฟล์ WAV
.build/release/speech transcribe recording.wav

Swift API

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)

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

เริ่มต้นอย่างรวดเร็ว: ข้อความเป็นเสียงพูด

CLI

# สังเคราะห์เสียงพูด
.build/release/speech speak "Hello, world!" --output hello.wav

Swift API

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"))

การดาวน์โหลดโมเดล

โมเดลทั้งหมดถูกดาวน์โหลดจาก HuggingFace ในการใช้งานครั้งแรก ขนาดโดยประมาณ:

ขั้นตอนถัดไป

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