argmax-oss-swift
Voz a texto, diarización de hablantes y texto a voz en el dispositivo para Apple Silicon.
Frameworks de inferencia en Swift para Whisper, Pyannote y Qwen-TTS ejecutándose de forma local en macOS e iOS.
Esta es una colección de frameworks en Swift listos para usar, diseñados para ejecutar modelos de IA de voz directamente en dispositivos Apple Silicon. Debes usar esto si estás creando aplicaciones nativas para iOS o macOS que requieren transcripción local, texto a voz o diarización de hablantes sin depender de APIs en la nube.
Qué es
El SDK empaqueta tres motores de inferencia principales en productos de biblioteca Swift: WhisperKit para voz a texto con OpenAI Whisper, SpeakerKit para diarización de hablantes con Pyannote y TTSKit para texto a voz con Qwen-TTS. Admite transmisión eficiente en memoria para archivos de audio grandes, voces personalizadas y ejecución de servidores locales a través de una CLI opcional.
Para quién
Se adapta a desarrolladores de iOS y macOS que crean aplicaciones de audio, video o transcripción que priorizan el funcionamiento sin conexión y requieren procesamiento local en hardware de Apple. No se adapta a equipos que crean aplicaciones ajenas a Apple sin envolver el servidor local, ni a quienes necesitan compatibilidad precompilada con Android sin actualizar al Pro SDK.
Funciones clave
WhisperKit de voz a texto
Ejecuta modelos de OpenAI Whisper localmente en Apple Silicon para transcripción multilingüe.
Carga de audio incremental
Transmite archivos de audio grandes desde el disco en fragmentos de memoria acotada utilizando los límites de silencio de VAD.
Diarización con SpeakerKit
Realiza diarización de hablantes utilizando modelos basados en Pyannote de forma nativa en Swift.
Texto a voz con TTSKit
Genera voz localmente usando Qwen-TTS con compatibilidad para voces personalizadas y transmisión en tiempo real.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Se ejecuta íntegramente en el dispositivo en macOS e iOS sin dependencia de APIs en la nube
- La transmisión eficiente en memoria gestiona archivos de audio grandes sin fallar
- La arquitectura modular te permite importar WhisperKit, TTSKit y SpeakerKit de forma individual
- Incluye herramientas de CLI en Swift y capacidades de servidor local para pruebas
Sus límites
- Requiere macOS 14.0+ y Xcode 16.0+ para compilar y ejecutar
- Funciones avanzadas como la transcripción en tiempo real con múltiples hablantes requieren el Pro SDK de pago
- Ejecutar modelos grandes localmente exige una memoria y unos recursos de cómputo significativos en Apple Silicon
Precios y licencia
Gratis bajo su licencia MIT para el SDK de código abierto en Swift. Funciones avanzadas adicionales, vocabulario personalizado y compatibilidad multiplataforma están disponibles a través del Argmax Pro SDK comercial.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Qué plataformas son compatibles con este SDK?
El SDK de código abierto en Swift es compatible con macOS 14.0 y versiones posteriores, requiriendo Xcode 16.0 o posterior.
¿Puedo procesar archivos de audio grandes sin agotar la memoria?
Sí, WhisperKit incluye un modo de carga de audio incremental que transmite archivos desde el disco en fragmentos de memoria acotada divididos en los límites de VAD.
¿Están todas las características incluidas en la versión de código abierto?
El SDK de código abierto proporciona los frameworks de inferencia principales, mientras que las funciones avanzadas como la transcripción en tiempo real con hablantes y el vocabulario personalizado requieren el Argmax Pro SDK.
