Parole embarquée.
Pour de vrais produits.
Transcription diarisée, clonage vocal zéro-shot, synthèse longue durée — exécutés sur Apple Silicon, Android, Windows et Linux embarqué. Aucune API cloud, aucune facturation à la minute, aucune donnée ne quitte l’appareil.
brew install speechimplementation("audio.soniqo:speech:0.0.9")La voix embarquée, en pratique.
Benchmarks, notes de modèles et détails de mise en production pour Soniqo.
Tous les articlesIA vocale locale sur un MacBook
Une visite de quatre minutes de la bibliothèque open source : transcription en temps réel avec Nemotron Streaming, voix-à-voix locale avec PersonaPlex et clonage de voix à 48 kHz avec VoxCPM2 — chaque démo tourne sur le portable.
Trois groupes de cas d’usage embarqués.
Chaque groupe couvre plusieurs sous-cas d’usage assemblés à partir des composants Soniqo. Glissez votre audio et récupérez conversation, transcriptions ou voix générée — localement, en temps réel.
Agents vocaux
Construisez des interfaces voice-first — du speech-to-speech full-duplex aux pipelines composables déclenchés par mot-clé, le tout en local.
Transcription
Transformez l’audio en texte structuré — streaming temps réel pour sous-titres en direct et dictée, haute précision en batch pour les archives, diarisé pour nommer chaque locuteur.
Synthèse vocale
Synthétisez la parole dans n’importe quelle voix — clonez une voix en quelques secondes, narrez des livres audio pendant des heures ou castez des podcasts multi-locuteurs, entièrement hors-ligne.
Plus de trente modèles. Une seule stack.
Les pipelines ci-dessus sont composés à partir de ces modèles. Choisissez un composant pour son architecture, sa CLI, son API Swift et ses benchmarks. Tous fonctionnent sur Apple Silicon, la plupart aussi sur Android et Linux.
Reconnaissance vocale
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
Synthèse vocale
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
Analyse audio
Musique et production 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
