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")
Une vraie session exécutant NVIDIA Nemotron VoiceChat 11B en local : un tour de parole, une interruption en milieu de phrase et un appel d’outil MCP complet vers Rappels d’Apple. RTF 0,92 sur un M5 Pro, rien ne quitte la machine.
Dites-le, Android le fait : la boucle de commande complète — de la voix à une vraie action de l'appareil puis une réponse parlée — sur un seul téléphone dans 1,2 Go de RAM. Silero VAD, Parakeet STT, appels d'outils FunctionGemma et Pocket TTS.
Tour de 4 minutes de la bibliothèque open source : transcription temps réel avec Nemotron Streaming, speech-to-speech local avec PersonaPlex et clonage 48 kHz avec VoxCPM2 — tout tourne sur le portable.
VAD → STT → LLM → TTS sur mobile et Mac · ~1.2 Go iPhone · ~1.5 Go S23 · <4 Go desktop
La même pipeline d'agent VAD → STT → LLM → TTS sur iPhone, Galaxy S23 et Mac, avec la mémoire mesurée pour chaque budget.
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.
Construisez des interfaces voice-first — du speech-to-speech full-duplex aux pipelines composables déclenchés par mot-clé, le tout en local.
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.
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.
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.
52 langs, RTF 0.06, 4-/8-bit
Native CoreML: 1.40% WER, 6 s model load
MLX INT5: 128K offline context, RTF 0.028
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
14 langs, INT5 default, RTF 0.015
8 langs, INT5 default, RTF 0.074
Word-level timestamps, 80 ms
Streaming with punctuation
9 langs, zero-shot cloning, bf16 / 8-bit
12 Hz codec LM, faster than real-time
48 kHz, 30 langs, voice design + cloning
Zero-shot cloning, emotion + tempo controls, RTF 1.0
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
Zero-shot cloning in 16 flow steps, RTF 0.57
4B conversational cloning, emotion tags, RTF 0.78
54 voices, iOS-ready, 10 langs
English, ~130 ms streaming TTFA
90-min podcasts / audiobooks
9 langs, 5 baked voices, streaming
IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL
SpeechBrain ECAPA, 107 languages, 21M
Masked WeSpeaker + native PLDA/VBx, ~32 MB
Community-1 + Pyannote + Sortformer
WeSpeaker / CAM++ for ID
Silero v6.2.1, Pyannote, FireRedVAD
KWS Zipformer, 26× real-time
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
Two-stream echo cancellation, 16 ms latency
Sidon denoise + dereverb → 48 kHz
48 kHz audio super-resolution
Streaming on-device LLM
Structured tool / function-call grammar
Many-to-many translation, 400+ languages
Streaming speech translation, FR/ES/PT/DE → EN
Moshi-family full-duplex speech-to-speech
Asymmetric duplex speech-to-speech, INT5 / INT8