Soniqosoniqo
オープンソース · Apache 2.0 · 完全オフライン

オンデバイスの音声。
本番プロダクトへ。

話者分離付き文字起こし、ゼロショット音声クローン、長尺音声合成 —— Apple Silicon、Android、Windows、組み込み Linux で動作。クラウド API なし、分単位課金なし、データはデバイスから出ません。

はじめに GitHub
Apple · Homebrew
brew install speech
Android · Gradle
implementation("audio.soniqo:speech:0.0.9")
最新記事と動画
すべての記事
YouTube · 2 分 33 秒

MacBook 上で全二重、実際のツールを呼び出す

NVIDIA Nemotron VoiceChat 11B をローカルで動かした実際のセッション。発話ターン、文の途中での割り込み、そして Apple リマインダーへの完全な MCP ツール呼び出し。M5 Pro で RTF 0.92、データは一切マシンの外に出ません。

視聴
YouTube · 90 秒

完全オフラインの音声エージェントを Android の 1.2 GB に収めた

話せば Android が実行:音声から実際のデバイス操作、音声での返答までの完全なコマンドループが 1 台のスマホ・RAM 1.2 GB で動作 — Silero VAD、Parakeet STT、FunctionGemma ツールコール、Pocket TTS。

視聴
YouTube · 4 分

MacBook のローカル音声 AI — 4 分でわかるライブラリツアー

4 分のオープンソースライブラリツアー:Nemotron Streaming のリアルタイム文字起こし、PersonaPlex のローカル音声対話、VoxCPM2 の 48 kHz クローン — すべてラップトップ上で動作。

視聴
2026年7月7日 · Soniqo ブログ

音声エージェントをオンデバイスで動かす：一つのパイプライン、三つのメモリ予算

スマホと Mac で VAD → STT → LLM → TTS · iPhone 約 1.2 GB · S23 約 1.5 GB · デスクトップ <4 GB

同じ VAD → STT → LLM → TTS エージェントパイプラインを iPhone・Galaxy S23・Mac で実行し、各メモリ予算の実測値を掲載。

読む
作れるもの

3 つのオンデバイス・ユースケース・グループ。

各グループは Soniqo コンポーネントを組み合わせた複数のサブユースケースをカバーします。音声を投入すれば、対話・文字起こし・合成音声がローカルかつリアルタイムに得られます。

会話型

音声エージェント

音声優先のインターフェースを構築 —— フルデュプレックスの音声対音声から、ウェイクワードで起動するコンポーザブル・パイプラインまで、すべてローカルで動作。

Learn more
音声理解

文字起こし

音声を構造化テキストへ —— ライブ字幕や音声入力向けのリアルタイム・ストリーミング、アーカイブ向けの高精度バッチ、話者分離で各話者に名前を付与。

Learn more
コンテンツ制作

音声合成

どんな声でも音声を合成 —— 数秒で声をクローン、何時間ものオーディオブックをナレーション、複数話者ポッドキャストの制作まで、完全オフライン。

Learn more
すべてのコンポーネント

30 以上のモデル。1 つのスタック。

上記のユースケース・パイプラインはこれらのモデルから構成されます。コンポーネントを選んでアーキテクチャ、CLI、Swift API、ベンチマークをご覧ください。すべて Apple Silicon で動作し、多くは Android と Linux にも対応。

音声合成

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

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

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, ~130 ms streaming TTFA

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