7 जुलाई 2026 · Soniqo का ब्लॉग
डिवाइस पर वॉइस एजेंट: एक पाइपलाइन, तीन मेमोरी बजट
पढ़ें
ओपन-सोर्स · Apache 2.0 · पूरी तरह ऑफ़लाइन
ऑन-डिवाइस स्पीच।
असली प्रोडक्ट्स के लिए।
डायराइज़्ड ट्रांसक्रिप्शन, ज़ीरो-शॉट वॉइस क्लोनिंग, लॉन्ग-फ़ॉर्म स्पीच सिंथेसिस — Apple Silicon, Android, Windows, और एम्बेडेड Linux पर। कोई क्लाउड API नहीं, कोई प्रति-मिनट कीमत नहीं, कोई डेटा डिवाइस से बाहर नहीं।
Apple · Homebrew
brew install speechAndroid · Gradle
implementation("audio.soniqo:speech:0.0.9")नवीनतम ब्लॉग पोस्ट
वास्तविक उत्पादों के लिए ऑन-डिवाइस स्पीच।
Soniqo के बेंचमार्क, मॉडल नोट्स और शिपिंग विवरण।
सभी पोस्टदेखें
MacBook पर लोकल स्पीच AI
चार मिनट का ओपन-सोर्स लाइब्रेरी टूर: Nemotron Streaming से रियलटाइम ट्रांसक्रिप्शन, PersonaPlex से लोकल स्पीच-टू-स्पीच, और VoxCPM2 से 48 kHz वॉइस क्लोनिंग — हर डेमो लैपटॉप पर ही चलता है।
आप क्या बना सकते हैं
तीन ऑन-डिवाइस यूज़-केस ग्रुप।
हर ग्रुप में कई सब-यूज़-केस होते हैं जो Soniqo कॉम्पोनेंट्स से जुड़े होते हैं। ऑडियो डालिए, बातचीत, ट्रांसक्रिप्ट या जेनरेट की हुई आवाज़ पाइए — लोकल, रियल-टाइम में।
कन्वर्सेशनल
वॉइस एजेंट
वॉइस-फ़र्स्ट इंटरफ़ेस बनाइए — फ़ुल-डुप्लेक्स speech-to-speech से लेकर वेक-वर्ड-संचालित कंपोज़ेबल पाइपलाइन तक, सब लोकल।
Learn more
ऑडियो अंडरस्टैंडिंग
ट्रांसक्रिप्शन
ऑडियो को संरचित टेक्स्ट में बदलिए — लाइव कैप्शन और डिक्टेशन के लिए रियल-टाइम स्ट्रीमिंग, अभिलेखों के लिए उच्च-सटीक बैच, हर वक्ता का नाम देने के लिए डायराइज़्ड।
Learn more
कंटेंट क्रिएशन
स्पीच जनरेशन
किसी भी आवाज़ में वाणी बनाइए — कुछ सेकंड में आवाज़ क्लोन कीजिए, घंटों तक ऑडियोबुक नैरेट कीजिए, या मल्टी-स्पीकर पॉडकास्ट कास्ट कीजिए — पूरी तरह ऑफ़लाइन।
Learn more
सभी कॉम्पोनेंट्स
तीस से ज़्यादा मॉडल। एक ही स्टैक।
ऊपर की यूज़-केस पाइपलाइन्स इन्हीं मॉडल्स से बनी हैं। किसी भी कॉम्पोनेंट का आर्किटेक्चर, CLI, Swift API और बेंचमार्क देखने के लिए उसे चुनिए। सभी Apple Silicon पर चलते हैं, ज़्यादातर Android और Linux पर भी।
स्पीच-टू-टेक्स्ट
Qwen3-ASR
52 langs, RTF 0.06, 4-/8-bit
MLX
CoreML
Whisper Large-v3 Turbo
speech-swift native CoreML baseline
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
Forced Alignment
Word-level timestamps, 80 ms
MLX
CoreML
Nemotron Streaming
Streaming with punctuation
CoreML
ONNX
LiteRT
टेक्स्ट-टू-स्पीच
CosyVoice 3
9 langs, zero-shot cloning, bf16 / 8-bit
MLX
ONNX
Qwen3-TTS
12 Hz codec LM, faster than real-time
MLX
CoreML
VoxCPM2
48 kHz, 30 langs, voice design + cloning
MLX
ONNX
LiteRT
IndexTTS2
Native MLX zero-shot cloning, emotion + tempo controls
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
Style markers + zero-shot cloning
MLX
Kokoro 82M
54 voices, iOS-ready, 10 langs
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
ऑडियो विश्लेषण
संगीत और ऑडियो उत्पादन
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
Speech Restoration
Sidon denoise + dereverb → 48 kHz
CoreML
ONNX
FlashSR
48 kHz audio super-resolution
MLX