Voz en el dispositivo.
Para productos reales.
Transcripción con diarización, clonación de voz zero-shot y síntesis de larga duración — funcionando en Apple Silicon, Android, Windows y Linux embebido. Sin APIs en la nube, sin precios por minuto, sin datos saliendo del dispositivo.
brew install speechimplementation("audio.soniqo:speech:0.0.9")Voz en el dispositivo, en la práctica.
Benchmarks, notas de modelos y detalles de entrega para productos reales.
Todas las publicacionesIA de voz local en un MacBook
Un recorrido de cuatro minutos por la biblioteca open source: transcripción en tiempo real con Nemotron Streaming, voz a voz local con PersonaPlex y clonación de voz a 48 kHz con VoxCPM2 — todas las demos corren en el portátil.
Tres grupos de casos de uso en el dispositivo.
Cada grupo abarca varios subcasos de uso construidos con componentes de Soniqo. Carga tu audio y obtén conversación, transcripciones o voz generada — localmente y en tiempo real.
Agentes de voz
Crea interfaces voice-first — desde speech-to-speech full-duplex hasta pipelines compositivos activados por palabra clave, todo ejecutándose localmente.
Transcripción
Convierte audio en texto estructurado — streaming en tiempo real para subtítulos en vivo y dictado, alta precisión por lotes para archivos, con diarización para nombrar a cada hablante.
Síntesis de voz
Sintetiza voz en cualquier voz — clona una voz en segundos, narra audiolibros durante horas o reparte podcasts multi-locutor, completamente offline.
Más de treinta modelos. Un solo stack.
Los pipelines de uso anteriores se construyen con estos modelos. Elige un componente para ver su arquitectura, CLI, API en Swift y benchmarks. Todos funcionan en Apple Silicon, la mayoría también en Android y Linux.
Voz a texto
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
Texto a voz
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
Análisis de audio
Música y producción de audio
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
