Texto para voz no iPhone XS e em outros iPhones antigos

Texto para voz no iPhone XS: o aparelho foi anunciado em setembro de 2018. Ele tem oito anos, ainda recebe atualizações do iOS, e a pergunta com que as pessoas chegam é se uma voz neural moderna (do tipo que soa como uma pessoa, e não como um GPS) vai rodar nele, ou se “IA no dispositivo” é uma expressão que, sem dizer, significa “compre um celular novo”.

Quando este texto foi escrito, rodava. Mas três barreiras diferentes decidem isso, só duas delas aparecem na página da App Store, e cada app as coloca em lugares muito diferentes.

Repare no que a última coluna diz e no que ela não diz. Em 14 de setembro de 2026, todos os apps aqui iam no máximo até o mesmo hardware de 2018, porque as listas de aparelhos do iOS 17 e do iOS 18 da própria Apple param no XS e no XR; a diferença entre esses apps não é quais celulares eles conseguem alcançar, e sim quais eles escolheram alcançar. O mínimo de iOS 17 do Éist é o mais amigável para quem parou de atualizar; a linha de iPhone 15 do Local Narrator exclui cinco anos de celulares que conseguiriam rodar o modelo.

“IA no dispositivo” passou a significar um modelo de linguagem de vários bilhões de parâmetros, e esses de fato precisam de um celular recente e de vários gigabytes para caber. O Kokoro-82M não é isso. Ele tem 82 milhões de parâmetros, e o download inteiro do Sandbook tem cerca de 276 MB, com o modelo e todas as 41 vozes incluídos, duas ordens de grandeza a menos do que os modelos de chat locais com que um iPhone atual é vendido.

O que ele precisa do hardware é uma geração de GPU moderna o bastante para o conjunto de recursos do Metal que o Apple MLX usa, e memória livre suficiente para guardar os pesos enquanto o resto do app roda. Quando este texto foi escrito, o chip de 2018 passava nas duas. (Com a 1.0.4, o Sandbook descobriu que o build dele com MLX precisa da família de GPU lançada com o A14, e subiu o requisito mínimo para o iPhone 12.) É verdade que a limitação aqui é a base da pilha de software, e não a aritmética, e é por isso que um celular de oito anos consegue produzir uma voz que, quando ele era novo, teria precisado de um data center.

Há uma coisa que um celular mais antigo não recebe, e não é qualidade de áudio: é tempo. A velocidade de geração acompanha a GPU, então o mesmo capítulo é sintetizado mais devagar num chip antigo do que num novo. Como o Sandbook gera frase por frase, com um buffer de antecedência, e começa a tocar depois da primeira frase, e não depois do capítulo, o que isso mais custa é uma pausa um pouco maior logo no início. Não publiquei tempos por aparelho e não vou chutá-los aqui; a arquitetura é a parte que consigo descrever com honestidade, e o prazo de reembolso da App Store é o que resolve a questão para o seu celular específico.

Em um aparelho compatível, do iPhone 12 para cima, continua não havendo nível reduzido: todo aparelho recebe os mesmos 82 milhões de parâmetros, a mesma saída de 24 kHz, todas as 41 vozes (28 delas em inglês americano e britânico), a mesma faixa de velocidade de 0,5× a 2,5× aplicada dentro do modelo, destaque palavra por palavra e a mesma posição salva por livro.

E se o seu celular está abaixo desse mínimo, um iPhone XS, XR ou 11, ou um iPhone X, 8 ou 7 que parou no iOS 16, a resposta é a que já está no aparelho. O Falar Tela faz parte da Acessibilidade do iOS, não custa nada e funciona em versões muito mais antigas do que qualquer app aqui. Falar Tela comparado a um leitor neural mostra o que você troca por isso.

A página do produto sobre isso, quais iPhones rodam o Sandbook, reúne a lista completa de iPhones e iPads em um só lugar.