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।
brew install speechimplementation("audio.soniqo:speech:0.0.9")
NVIDIA Nemotron VoiceChat 11B को स्थानीय रूप से चलाने वाला वास्तविक सत्र: एक बोला गया टर्न, वाक्य के बीच में टोकाटाकी, और Apple Reminders में एक पूर्ण MCP टूल कॉल। M5 Pro पर RTF 0.92, और कुछ भी मशीन से बाहर नहीं जाता।
बोलिए — Android कर देगा: आवाज़ से असली डिवाइस एक्शन और बोले गए जवाब तक का पूरा कमांड लूप, एक ही फ़ोन पर 1.2 GB RAM में। Silero VAD, Parakeet STT, FunctionGemma टूल कॉल और Pocket TTS।
4 मिनट का ओपन-सोर्स लाइब्रेरी टूर: Nemotron Streaming से रियलटाइम ट्रांसक्रिप्शन, PersonaPlex से लोकल स्पीच-टू-स्पीच और VoxCPM2 से 48 kHz क्लोनिंग — सब लैपटॉप पर।
फ़ोन और Mac पर VAD → STT → LLM → TTS · iPhone ~1.2 GB · S23 ~1.5 GB · डेस्कटॉप <4 GB
वही VAD → STT → LLM → TTS एजेंट पाइपलाइन iPhone, Galaxy S23 और Mac पर — हर बजट की मापी गई मेमोरी के साथ।
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।
वॉइस-फ़र्स्ट इंटरफ़ेस बनाइए — फ़ुल-डुप्लेक्स speech-to-speech से लेकर वेक-वर्ड-संचालित कंपोज़ेबल पाइपलाइन तक, सब लोकल।
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।
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।
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।
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