Opdateret oktober 31, 2026 · Soniqo 's Blog
Måling af taleagenter: samtaleture, værktøjskald og udtryksfuld tale
TurnBench, SLURP og InstructTTSEval resultater for lokale runtimes og cloud API 'er, med nye p99 og VAP model downloads.
Læs
Udskrivning og samling er i gang
MødMimi
Vi bygger en lille robot, du kan tale med. Fire ben, et lille digitalt ansigt og lokal AI på en bærbar computer eller telefon i nærheden forbinder dine ord med robottens næste bevægelse.
Mød Mimi
Seneste indlæg & amp; videoer
Alle stillingerSeptember 27, 2026 · Soniqo 's Blog
GLiNER2.5-Decide og Jev: en beslutningsmodel du kører, og en du kalder.
Open- weight GLiNER2.5-Decide i MLX Swift mod TypeSafe 's hosted Jev: hvad hver tilbyder, hvad den offentliggjorte benchmark sammenlignet, og lokale målinger: 7.6 ms per anmodning på 0.85 GB med INT8.
Læs
YouTube · Concept film
Stenograf - Fra samtale til handling
En konceptfilm, der udforsker Stenograf 's vision for at gøre samtaler til nyttige næste skridt.
Watch
Ivan 's Blog · Artikel på engelsk
NVIDIA Nemotron VoiceChat på Apple Silicon: Full- Duplex tale med værktøjer
Fra Moshi og PersonaPlex til VoiceChat: hvordan full-duplex tale håndterer afbrydelser og MCP værktøjer, og hvor en mindre Android Kommandorørledning passer.
Læs
Apps
Værktøjer til dine optagelser og din musik.
Soniqo Music
Gratis app
Lav karaokebaggrunde af din egen lyd. Fjern vokal, adskil instrumenter, skift toneart og eksportér WAV-filer gratis på Android, iPhone og iPad.
Udforsk appenspeech
Homebrew CLI
Transskription, talesyntese og lydværktøjer, der kører lokalt på Mac med Apple Silicon.
brew install speechInstallationsvejledning
Stenograf
Gratis optagelse og transskription
Private optagelser og transskriptioner på Mac, Windows og Android. Valgfri AI på computeren tilføjer resuméer og chat.
Udforsk appenYdelser
Tale, lyd og søgning. Til dit produkt.
Vi træner og tilpasser modeller, evaluerer dem med dine data og integrerer dem i dine enheder eller din private infrastruktur.
Udforsk ydelserneTale- og sprogtilpasning
Byg talegenkendelse, udtryksfulde stemmer og stemmestyring ud fra den måde, dine brugere taler på.
Lydbehandling og rumlig lyd
Byg din lydledning rundt om lyttemiljøet og mål hardware.
Inferens og privat udrulning
Kør dine modeller på enheden eller inden for din egen infrastruktur.
Søge- og dybdegående researchsystemer
Hjælp dine brugere med at finde relevante kilder og opbygge forskningsarbejdsgange, som de kan kontrollere.
Alle komponenter
Tretten plus modeller, en stak.
Udforsk arkitektur, CLI, SDK-API’er og ydelsestest for hver komponent.
Tale til tekst
Qwen3-ASR
52 langs, RTF 0.06, 4-/8-bit
MLX
CoreML
Whisper Large-v3 Turbo
Native CoreML: 1.40% WER, 6 s model load
CoreML
MOSS Transcribe Diarize 0.9B
MLX INT5: 128K offline context, RTF 0.028
MLX
CoreML
Whisper v3 ONNX
Small, medium, large-v3, and turbo exports
ONNX
Parakeet TDT
32× real-time on Neural Engine
CoreML
ONNX
LiteRT
Parakeet EOU
120M, 25 langs, streaming partials + EOU, ~232 MB on-device
CoreML
ONNX
Omnilingual ASR
1,672 languages, 300M–7B
CoreML
MLX
LiteRT
Cohere Transcribe 2B
14 langs, INT5 default, RTF 0.015
MLX
Voxtral Mini 3B
8 langs, INT5 default, RTF 0.074
MLX
Forced Alignment
Word-level timestamps, 80 ms
MLX
CoreML
Nemotron Streaming
Streaming with punctuation
CoreML
ONNX
LiteRT
Tekst til tale
Breeze TTS 2
EN/ZH, voice design + cloning, 24 kHz, non-commercial
MLX
MOSS-TTS-Nano 100M
48 kHz stereo, 80 ms streaming, reference voice cloning
CoreML
Voxtral TTS 4B
20 presets, 9 langs, 24 kHz, 4-bit, CC BY-NC 4.0
MLX
CosyVoice 3
9 langs, zero-shot cloning, bf16 / 8-bit
MLX
ONNX
Qwen3-TTS
12 Hz codec LM, faster than real-time
MLX
CoreML
FireRedTTS3-Instruct
Eksperimentelt talemønster · offentlige bundter · build SDK main
MLX
MOSS-VoiceGenerator
Eksperimentelt talemønster · offentlige bundter · build SDK main
MLX
VoxCPM2
48 kHz, 30 langs, voice design + cloning
MLX
ONNX
LiteRT
IndexTTS2
Zero-shot cloning, emotion + tempo controls, RTF 1.0
MLX
Supertonic-3
99M, 31 langs, 44.1 kHz
CoreML
LiteRT
Chatterbox Flash
CoreML voice cloning, TTFT 0.27s, RTF 0.59
CoreML
MLX
LiteRT
OmniVoice
600+ langs, NAR diffusion cloning
MLX
Indic-Mio
Hindi emotion TTS + raw reference cloning
MLX
Fish Audio S2 Pro / Drama 3
Style markers + zero-shot cloning
MLX
F5-TTS
Zero-shot cloning in 16 flow steps, RTF 0.57
MLX
Higgs TTS 3
4B conversational cloning, emotion tags, RTF 0.78
MLX
Kokoro 82M
54 voices, iOS-ready, 10 langs
CoreML
ONNX
Pocket TTS 100M
English, Alba, 24 kHz, 80 ms frames
CoreML
ONNX
VibeVoice
90-min podcasts / audiobooks
MLX
Magpie 357M
9 langs, 5 baked voices, streaming
MLX
Voice Cloning Suite
IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL
CoreML
MLX
Lydanalyse
Language Identification
SpeechBrain ECAPA, 107 languages, 21M
MLX
CoreML
Pyannote Community-1
Masked WeSpeaker + native PLDA/VBx, ~32 MB
CoreML
Nemotron 3 Diarization
100M, up to 8 speakers, INT8
MLX
CoreML
Speaker Diarization
Nemotron 3 + Community-1 + Pyannote + Sortformer
MLX
CoreML
LiteRT
Speaker Embeddings
WeSpeaker / CAM++ for ID
MLX
CoreML
LiteRT
Voice Activity Detection
Silero v6.2.1, Pyannote, FireRedVAD
MLX
CoreML
ONNX
LiteRT
Smart Turn v3.2
End-of-turn detection, 23 langs, 3.5 ms per pause
CoreML
ONNX
p99 turn-1-mini
Streaming end-of-turn scores, 5.3M Float32
CoreML
VAP (otoSpeech)
Prognoser for two-channel tale 5.8M Float32
CoreML
ONNX
Wake-Word / KWS
KWS Zipformer, 26× real-time
CoreML
Musik- og lydproduktion
Stable Audio 3
44.1 kHz stereo, variable-length music
MLX
MAGNeT MusicGen
Text → 30 s music, RTF 0.36
MLX
Source Separation
Open-Unmix + HTDemucs v4, 4 stems
MLX
Speech Enhancement
DeepFilterNet3, 48 kHz real-time
CoreML
ONNX
LocalVQE AEC
Two-stream echo cancellation, 16 ms latency
CoreML
Speech Restoration
Sidon denoise + dereverb → 48 kHz
CoreML
ONNX
FlashSR
48 kHz audio super-resolution
MLX
LLM og taleomdannelse
Clef-flash
MLX Swift · 9B · 4-bit · text decisions · development preview
MLX
GLiNER2.5-Decide
MLX Swift · INT8, FP16, FP32 · development preview
MLX
Qwen3.5 Chat 0.8B
Streaming on-device LLM
MLX
CoreML
FunctionGemma 270M
Structured tool / function-call grammar
CoreML
LiteRT
MADLAD-400
Many-to-many translation, 400+ languages
MLX
Hibiki Zero-3B
Streaming speech translation, FR/ES/PT/DE → EN
MLX
PersonaPlex 7B
Moshi-family full-duplex speech-to-speech
MLX
ONNX
VoiceChat 11B
Asymmetric duplex speech-to-speech, INT5 / INT8
MLX