オンデバイス音声SDK

はじめる — Apple はじめる — Android

Apple — Homebrew:

brew tap soniqo/speech https://github.com/soniqo/speech-swift && brew install speech

Android — Gradle:

implementation("audio.soniqo:speech:0.0.5")
音声認識

Qwen3-ASR

多言語文字起こし、4-bit/8-bit量子化、RTF 約0.06

MLXCoreML

Parakeet TDT

Neural Engine上のNVIDIA FastConformer、約32×リアルタイム

CoreMLONNX

Omnilingual ASR

Meta wav2vec2 + CTC、1,672言語、300M / 1B / 3B / 7B

CoreMLMLX

強制整列

CTCによる単語レベルのタイムスタンプ、80ms解像度

MLXCoreML
音声合成

Qwen3-TTS

12Hzコーデック LM + Mimiデコーダー、リアルタイムより高速

MLXCoreML

CosyVoice3

9言語、DiTフローマッチング + HiFi-GANボコーダー

MLX

Kokoro-82M

iOS対応、50ボイス、10言語、推論 約45ms

CoreMLONNX

音声クローン

ECAPA-TDNNで短いサンプルから任意の声をクローン

MLX
言語モデル

Qwen3.5-0.8B Chat

オンデバイスLLM、DeltaNet + GatedAttentionハイブリッド、INT4 MLX / INT8 CoreML、streamingトークン

MLXCoreML
音声間変換

PersonaPlex 7B

full-duplex音声対話、18種類のボイスプリセット、RTF 約0.87

MLX
音声解析

音声区間検出

Pyannote（オフライン）+ Silero v5（streaming、23×リアルタイム）

MLXCoreMLONNX

話者ダイアライゼーション

誰がいつ話したか — PyannoteパイプラインまたはエンドツーエンドのSortformer

MLXCoreML

話者embedding

WeSpeaker ResNet34 — 話者識別用の256次元ベクトル

MLXCoreML

音声強調

DeepFilterNet3 — 48kHzでのリアルタイムノイズ抑制

CoreMLONNX

音源分離

Open-Unmix — 音楽をボーカル、ドラム、ベース、その他に分離。4×リアルタイム

MLX
Android と Linux

Parakeet TDT v3

114言語、INT8量子化、TDT greedyデコーダー、RTF 0.12

ONNX RuntimeNNAPI

Kokoro-82M

50ボイス、7言語、辞書ベースのphonemizer、24 kHz出力

ONNX Runtime

Silero VAD v5

streaming音声区間検出、32ms chunks、サブミリ秒レイテンシ

ONNX Runtime

DeepFilterNet3

リアルタイムノイズキャンセル、STFT/ERB処理、RTF 約0.15

ONNX Runtime