argmax-oss-swift
Lokale Spracherkennung (Speech-to-Text), Sprecher-Diarisierung und Sprachsynthese (Text-to-Speech) für Apple Silicon.
Swift-Inferenz-Frameworks für Whisper, Pyannote und Qwen-TTS, die lokal auf macOS und iOS laufen.
Dies ist eine Sammlung sofort einsatzbereiter Swift-Frameworks, die für die Ausführung von Sprach-KI-Modellen direkt auf Apple Silicon-Geräten entwickelt wurden. Sie sollten dies verwenden, wenn Sie native iOS- oder macOS-Anwendungen entwickeln, die lokale Transkription, Text-to-Speech oder Sprecher-Diarisierung ohne Abhängigkeit von Cloud-APIs erfordern.
Was es ist
Das SDK fasst drei Kern-Inferenz-Engines in Swift-Bibliotheksprodukten zusammen: WhisperKit für OpenAI Whisper Speech-to-Text, SpeakerKit für Pyannote-Sprecher-Diarisierung und TTSKit für Qwen-TTS Text-to-Speech. Es unterstützt speichereffizientes Streaming für große Audiodateien, benutzerdefinierte Stimmen und lokale Serverausführung über ein optionales CLI.
Für wen
Es eignet sich für iOS- und macOS-Entwickler, die Offline-First-Audio-, Video- oder Transkriptionsanwendungen entwickeln, die lokale Verarbeitung auf Apple-Hardware erfordern. Es eignet sich nicht für Teams, die Nicht-Apple-Anwendungen ohne Einbindung des lokalen Servers entwickeln, oder für diejenigen, die vorgefertigte Android-Unterstützung benötigen, ohne auf das Pro SDK zu aktualisieren.
Wichtige Funktionen
WhisperKit Speech-to-Text
Führen Sie OpenAI Whisper-Modelle lokal auf Apple Silicon für mehrsprachige Transkription aus.
Inkrementelles Laden von Audio
Streamen Sie große Audiodateien von der Festplatte in speicherbegrenzten Blöcken unter Verwendung von VAD-Stille-Grenzen.
SpeakerKit Diarisierung
Führen Sie Sprecher-Diarisierung mit Pyannote-basierten Modellen nativ in Swift aus.
TTSKit Text-to-Speech
Generieren Sie Sprache lokal mit Qwen-TTS mit Unterstützung für benutzerdefinierte Stimmen und Echtzeit-Streaming.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Läuft vollständig lokal auf macOS und iOS ohne Abhängigkeit von Cloud-APIs
- Speichereffizientes Streaming verarbeitet große Audiodateien ohne Abstürze
- Modulare Architektur ermöglicht den getrennten Import von WhisperKit, TTSKit und SpeakerKit
- Enthält Swift-CLI-Tools und lokale Serverfunktionen zum Testen
Schwächen
- Erfordert macOS 14.0+ und Xcode 16.0+ zum Erstellen und Ausführen
- Erweiterte Funktionen wie Echtzeit-Transkription mit mehreren Sprechern erfordern das kostenpflichtige Pro SDK
- Das Ausführen großer Modelle lokal erfordert erheblichen Apple Silicon-Speicher und Rechenressourcen
Preise & Lizenz
Kostenlos unter der MIT-Lizenz für das Open-Source-Swift-SDK. Zusätzliche erweiterte Funktionen, benutzerdefiniertes Vokabular und plattformübergreifende Unterstützung sind über das kommerzielle Argmax Pro SDK erhältlich.
Stellen für Deutschsprachige
876 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Nutze es, oder lass es uns einrichten
FAQ
Welche Plattformen werden von diesem SDK unterstützt?
Das Open-Source-Swift-SDK unterstützt macOS 14.0 und neuer und erfordert Xcode 16.0 oder neuer.
Kann ich große Audiodateien verarbeiten, ohne dass der Speicher knapp wird?
Ja, WhisperKit enthält einen Modus für inkrementelles Laden von Audio, der Dateien von der Festplatte in speicherbegrenzten Blöcken streamt, die an VAD-Grenzen aufgeteilt sind.
Sind alle Funktionen in der Open-Source-Version enthalten?
Das Open-Source-SDK bietet Kern-Inferenz-Frameworks, während erweiterte Funktionen wie Echtzeit-Transkription mit Sprechern und benutzerdefiniertes Vokabular das Argmax Pro SDK erfordern.
