Speech Swift

🧠 Speech Swift是什么？

Soniqo 是一个开源的端侧语音 AI SDK，主打 Apple Silicon（M1/M2/M3/M4），支持 macOS 和 iOS。它的核心信念很简单：语音 AI 应该在设备上运行，而不是在云端。

Apache 2.0 开源，完全离线，无需 API Key。安装只需要一行命令：

装完之后，你的 Mac 立刻拥有了以下能力：

Speech Swift 网站截图

🎯 三大核心能力

1️⃣ 语音转文字（ASR）—— 52 种语言，实时转录

基于 Qwen3-ASR 和 Parakeet TDT，支持从英语到印地语、从日语到阿拉伯语的 52 种语言。在 M2 Max 上，Qwen3-ASR-0.6B 的 RTF（实时因子）只有 0.06——也就是说，处理 1 秒音频只需要 0.06 秒，比 whisper.cpp 的 Whisper-large-v3 还要快 40%。

更夸张的是 Omnilingual ASR，支持 1,672 种语言，覆盖 32 种文字系统。世界上几乎所有有人说的语言，它都能听。

2️⃣ 文本转语音（TTS）—— 从 82M 轻量到 7B 全双工对话

Soniqo 提供了 10+ 种 TTS 引擎，按场景自由挑选：

• Kokoro-82M：82M 参数，CoreML 运行，170MB 模型，iOS 上也能流畅跑，54 种预设音色，适合 App 集成。
• Qwen3-TTS：最高质量，支持流式输出和自定义说话人，10 种语言。
• VibeVoice：能合成长达 90 分钟 的有声书/播客，中英文都支持。
• PersonaPlex 7B：全双工语音对话，你说它听，它说完你接，像真人聊天一样自然。

3️⃣ 声音克隆——5 秒参考，无限合成

只需 5-30 秒的参考音频，就能克隆一个声音并连续合成数小时。CosyVoice 3 + 说话人嵌入 + Apple Silicon 原生 MLX，全部在本地完成。你可以克隆自己的声音做播客，也可以克隆特定角色做配音——数据永远不会上传到任何服务器。

🔧 开发者友好到离谱

Soniqo 的 API 设计非常「Swift 原生」：

三行代码，搞定语音转文字。每个模型都是独立的 SPM 模块，按需导入，不用的模型不会增加包体积。

CLI 同样简洁：

🛡️ 为什么「端侧」很重要？

在云端语音服务大行其道的今天，Soniqo 坚持端侧运行有它的理由：

• 隐私零妥协：医生的问诊录音、律师的会议记录、创作者的灵感碎片——这些敏感数据不该经过任何第三方服务器。
• 成本零增长：没有按分钟计费，没有 API 调用次数限制。买一台 Mac，语音 AI 能力永久属于你。
• 延迟零等待：本地 Neural Engine 推理，不需要网络往返，响应速度是云端的数倍。
• 离线零依赖：飞机上、地铁里、信号盲区——只要有电，就能工作。

📱 不止 Mac，Android 和 Linux 也能跑

Soniqo 不是 Apple 独占。speech-android 提供 Kotlin API，基于 ONNX Runtime + NNAPI，支持 Android 8+；speech-core 提供 C++17 实现，面向嵌入式 Linux 和车载场景（Yocto、边缘设备）。同一套模型权重，针对不同平台做硬件加速优化——这才是「端侧」该有的样子。

🎯 适合谁？

• 独立开发者：想给 App 加语音功能，但不想被云端 API 的账单绑架。
• 播客/有声书创作者：批量生成内容，克隆自己的声音，保护嗓子。
• 隐私敏感行业：医疗、法律、金融——数据不出设备是硬要求。
• AI 爱好者：想亲手跑一个 7B 参数的语音对话模型，看看 Mac 的 Neural Engine 有多强。

📝 最后

Soniqo 让我想起了 Whisper 刚发布时的震撼——但这次，所有能力都跑到了你的设备上。没有 API Key，没有网络依赖，没有隐私焦虑。一台 M1 Mac，一行 brew install，你的电脑就拥有了听懂 52 种语言、克隆任意声音、合成 90 分钟有声书的能力。