Päivitetty 31. lokakuuta 2026 · Soniqo
Puheagenttien mittaus: puheenvuorot, työkalukutsut ja ilmeikäs puhe
TurnBench, SLURP sekä InstructTTSEval tulokset paikallisille runtimes ja pilvi APIs, uusia p99 sekä VAP mallilataukset.
Lue
Tulostus ja kokoaminen käynnissä
TapaaMimi
Rakennamme pientä robottia, jolle voi puhua. Neljä jalkaa, pieni digitaalinen naama ja lähellä olevassa tietokoneessa tai puhelimessa toimiva paikallinen tekoäly yhdistävät sanasi robotin seuraavaan liikkeeseen.
Tutustu Mimiin
Uusimmat viestit & videot
Kaikki virat 27. syyskuuta 2026 · Soniqo
GLiNER2.5-Decide ja Jev: päätösmalli, jota käytät ja jota soitat.
Avoin paino GLiNER2.5-Decide in MLX Swift Vastaan TypeSafe.s isännöi Jev: mitä kukin tarjoaa, mitä julkaistu vertailuarvo vertailussa, ja paikalliset mittaukset: 7.6 ms/pyyntö, kun 0.85 GB, jossa INT8.
Lue
YouTube · Concept film
Stenograf ...
Konseptielokuva Stenograf
Katso
Ivan...
NVIDIA Nemotron VoiceChat on Apple Silicon: Full-Duplex Speech with Tools
Moshi:sta PersonaPlex-VoiceChat. Miten täysduplex-puhe käsittelee keskeytyksiä ja MCP -työkaluja ja missä pienempi Android komentoputki sopii yhteen.
Lue
Sovellukset
Työkaluja tallenteillesi ja musiikillesi.
Soniqo Music
Ilmainen sovellus
Tee karaoke-taustoja omista äänitiedostoistasi. Poista laulu, erottele soitinraidat, vaihda sävellajia ja vie WAV-tiedostoja ilmaiseksi Androidilla, iPhonella ja iPadilla.
Tutustu sovellukseenspeech
Homebrew CLI
Paikallinen litterointi, puhesynteesi ja äänityökalut Apple Silicon -Maceille.
brew install speechAsennusopas
Stenograf
Ilmainen tallennus ja transkriptio
Yksityiset tallenteet ja litteroinnit Mac-, Windows- ja Android-laitteilla. Valinnainen tietokoneella toimiva tekoäly lisää yhteenvedot ja keskustelun.
Tutustu sovellukseenPalvelut
Puhe, ääni ja haku. Tuotteellesi.
Koulutamme ja mukautamme malleja, arvioimme niitä datallasi ja integroimme ne laitteisiisi tai yksityiseen infrastruktuuriisi.
Tutustu palveluihinPuheen ja kielen mukautus
Kehitä puheentunnistusta, ilmeikkäitä ääniä ja puheohjausta käyttäjiesi puhetapojen pohjalta.
Äänenkäsittely ja tilaääni
Rakenna audioputkesi kuunteluympäristön ja kohdelaitteiston ympärille.
Inferenssi ja yksityinen käyttöönotto
Suorita mallit laitteessa tai omassa infrastruktuurissa.
Haku- ja syvätutkimusjärjestelmät
Auta käyttäjiäsi löytämään asiaankuuluvat lähteet ja rakentamaan tutkimustyön virtauksia he voivat tarkistaa.
Kaikki komponentit
Kolmekymmentä plus-mallia.
Tutustu kunkin komponentin arkkitehtuuriin, CLI:hin, SDK-rajapintoihin ja suorituskykytesteihin.
Puhe tekstiksi
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
Teksti puheeksi
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
Kokeellinen äänisuunnittelu · julkiset paketit · rakentaa SDK main
MLX
MOSS-VoiceGenerator
Kokeellinen äänisuunnittelu · julkiset paketit · rakentaa 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
Äänianalyysi
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
Käännösvaiheen loppupisteet, 5.3M, Float32
CoreML
VAP (otoSpeech)
Kaksikanavaiset puheennusteet, 5.8M, Float32
CoreML
ONNX
Wake-Word / KWS
KWS Zipformer, 26× real-time
CoreML
Musiikin ja äänen tuotanto
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 ja puheen muunnos
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