Sprache auf dem Gerät.
Für echte Produkte.
Diarisierte Transkription, Zero-Shot-Stimmenklonung, Langform-Sprachsynthese — läuft auf Apple Silicon, Android, Windows und Embedded Linux. Keine Cloud-APIs, keine Minutenpreise, keine Daten verlassen das Gerät.
brew install speechimplementation("audio.soniqo:speech:0.0.9")On-Device-Sprache für echte Produkte.
Benchmarks, Modellnotizen und Shipping-Details für Soniqo.
Alle BeiträgeLokale Sprach-KI auf einem MacBook
Eine vierminütige Tour durch die Open-Source-Bibliothek: Echtzeit-Transkription mit Nemotron Streaming, lokales Speech-to-Speech mit PersonaPlex und 48-kHz-Voice-Cloning mit VoxCPM2 — jede Demo läuft direkt auf dem Laptop.
Drei On-Device-Anwendungsgruppen.
Jede Gruppe deckt mehrere Sub-Use-Cases ab, die aus Soniqo-Komponenten zusammengesetzt sind. Audio rein — Gespräch, Transkript oder generierte Sprache kommen lokal und in Echtzeit zurück.
Sprachagenten
Baue Voice-First-Oberflächen — von Full-Duplex Speech-to-Speech bis hin zu Wake-Word-gesteuerten kompositorischen Pipelines, alles lokal ausgeführt.
Transkription
Wandle Audio in strukturierten Text um — Echtzeit-Streaming für Live-Untertitel und Diktat, Batch-Hochpräzision für Archive, diarisiert um jede sprechende Person zu benennen.
Sprachsynthese
Synthetisiere Sprache in jeder Stimme — klone eine Stimme in Sekunden, narriere stundenlang Hörbücher oder besetze Multi-Sprecher-Podcasts, vollständig offline.
Mehr als dreißig Modelle. Ein Stack.
Die obigen Use-Case-Pipelines sind aus diesen Modellen gebaut. Wähle eine Komponente für Architektur, CLI, Swift-API und Benchmarks. Alle laufen auf Apple Silicon, die meisten auch auf Android und Linux.
Speech-to-Text
52 langs, RTF 0.06, 4-/8-bit
speech-swift native CoreML baseline
Small, medium, large-v3, and turbo exports
32× real-time on Neural Engine
120M, 25 langs, streaming partials + EOU, ~232 MB on-device
1,672 languages, 300M–7B
Word-level timestamps, 80 ms
Streaming with punctuation
Text-to-Speech
9 langs, zero-shot cloning, bf16 / 8-bit
12 Hz codec LM, faster than real-time
48 kHz, 30 langs, voice design + cloning
Native MLX zero-shot cloning, emotion + tempo controls
99M, 31 langs, 44.1 kHz
CoreML voice cloning, TTFT 0.27s, RTF 0.59
600+ langs, NAR diffusion cloning
Hindi emotion TTS + raw reference cloning
Style markers + zero-shot cloning
54 voices, iOS-ready, 10 langs
90-min podcasts / audiobooks
9 langs, 5 baked voices, streaming
IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL
Audio-Analyse
Musik & Audioproduktion
44.1 kHz stereo, variable-length music
Text → 30 s music, RTF 0.36
Open-Unmix + HTDemucs v4, 4 stems
DeepFilterNet3, 48 kHz real-time
Sidon denoise + dereverb → 48 kHz
48 kHz audio super-resolution
