Oppdatert oktober 31, 2026 · Soniqos blogg
Måling av taleagenter: samtaleturer, verktøykall og uttrykksfull tale
TurnBench, SLURP og InstructTTSEval-resultater for lokale løpstider og sky-APIer, med nye p99 samt VAP -modeller.
Les
Utskrift og montering pågår
MøtMimi
Vi bygger en liten robot du kan snakke med. Fire bein, et lite digitalt ansikt og lokal AI på en bærbar datamaskin eller telefon i nærheten kobler ordene dine til robotens neste bevegelse.
Møt Mimi
Siste innlegg & videoer
Alle innlegg september 27, 2026 · Soniqos blogg
GLiNER2.5-Decide og Jev: en beslutningsmodell du kjører, og en du ringer.
Åpen vekt GLiNER2.5-Decide i MLX Swift mot TypeSafes vert Jev: hva hvert tilbud, hva det publiserte referansetallet sammenlignet, og lokale målinger: 7,6 ms per forespørsel på 0.85 GB med INT8.
Les
YouTube · Konseptfilm
Stenograf - Fra samtale til handling
En konseptfilm som utforsker Stenografs visjon for å gjøre samtaler til nyttige neste skritt.
Se på
Ivans blogg · Artikkel på engelsk
NVIDIA Nemotron VoiceChat på Apple Silicon: Full-Duplex tale med verktøy
Fra Moshi og PersonaPlex til VoiceChat: hvor full-duplex tale håndterer avbrudd og MCP verktøy, og hvor en mindre Android kommandorørledning passer.
Les
Apper
Verktøy for opptakene og musikken din.
Soniqo Music
Gratis app
Lag karaokebakgrunner fra din egen lyd. Fjern vokal, skill ut instrumenter, endre toneart og eksporter WAV-filer gratis på Android, iPhone og iPad.
Utforsk appenspeech
Homebrew CLI
Transkripsjon, talesyntese og lydverktøy som kjører lokalt på Mac med Apple Silicon.
brew install speechInstallasjonsveiledning
Stenograf
Gratis opptak og transkripsjon
Private opptak og transkripsjoner på Mac, Windows og Android. Valgfri AI på datamaskinen gir sammendrag og chat.
Utforsk appenTjenester
Tale, lyd og søk. For produktet ditt.
Vi trener og tilpasser modeller, evaluerer dem med dataene dine og integrerer dem i enhetene dine eller din private infrastruktur.
Utforsk tjenesteneTale- og språktilpasning
Bygg talegjenkjenning, uttrykksfulle stemmer og stemmestyring rundt måten brukerne dine snakker på.
Lydbehandling og romlig lyd
Bygg lydrørledningen din rundt lyttemiljøet og målmaskinvaren.
Inferens og privat utrulling
Kjør dine modeller på enheten eller innenfor din egen infrastruktur.
Søke- og dybdeforskningssystemer
Hjelp brukerne til å finne relevante kilder og bygge forskningsarbeidsflyter de kan sjekke.
Alle komponenter
30 pluss-modeller.
Utforsk arkitektur, CLI, SDK-API-er og ytelsestester for hver komponent.
Tale til tekst
Qwen3-ASR
52 langs, RTF 0.06, 4-/8-bit
MLX
CoreML
Whisper Large-v3 Turbo
Native CoreML: 1.40% WER, 6 s model load
CoreML
MOSS Transcribe Diarize 0.9B
MLX INT5: 128K offline context, RTF 0.028
MLX
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
Cohere Transcribe 2B
14 langs, INT5 default, RTF 0.015
MLX
Voxtral Mini 3B
8 langs, INT5 default, RTF 0.074
MLX
Forced Alignment
Word-level timestamps, 80 ms
MLX
CoreML
Nemotron Streaming
Streaming with punctuation
CoreML
ONNX
LiteRT
Tekst til tale
Breeze TTS 2
EN/ZH, voice design + cloning, 24 kHz, non-commercial
MLX
MOSS-TTS-Nano 100M
48 kHz stereo, 80 ms streaming, reference voice cloning
CoreML
Voxtral TTS 4B
20 presets, 9 langs, 24 kHz, 4-bit, CC BY-NC 4.0
MLX
CosyVoice 3
9 langs, zero-shot cloning, bf16 / 8-bit
MLX
ONNX
Qwen3-TTS
12 Hz codec LM, faster than real-time
MLX
CoreML
FireRedTTS3-Instruct
Eksperimentell stemmedesign · offentlige pakker · bygg SDK hoved
MLX
MOSS-VoiceGenerator
Eksperimentell stemmedesign · offentlige pakker · bygg SDK hoved
MLX
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 / Drama 3
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, Alba, 24 kHz, 80 ms frames
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
Lydanalyse
Language Identification
SpeechBrain ECAPA, 107 languages, 21M
MLX
CoreML
Pyannote Community-1
Masked WeSpeaker + native PLDA/VBx, ~32 MB
CoreML
Nemotron 3 Diarization
100M, up to 8 speakers, INT8
MLX
CoreML
Speaker Diarization
Nemotron 3 + Community-1 + Pyannote + Sortformer
MLX
CoreML
LiteRT
Speaker Embeddings
WeSpeaker / CAM++ for ID
MLX
CoreML
LiteRT
Voice Activity Detection
Silero v6.2.1, Pyannote, FireRedVAD
MLX
CoreML
ONNX
LiteRT
Smart Turn v3.2
End-of-turn detection, 23 langs, 3.5 ms per pause
CoreML
ONNX
p99 turn-1-mini
Streaming sluttresultater, 5.3M, Float32
CoreML
VAP (otoSpeech)
Tokanals taleprognoser, 5.8M, Float32
CoreML
ONNX
Wake-Word / KWS
KWS Zipformer, 26× real-time
CoreML
Musikk- og lydproduksjon
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
LocalVQE AEC
Two-stream echo cancellation, 16 ms latency
CoreML
Speech Restoration
Sidon denoise + dereverb → 48 kHz
CoreML
ONNX
FlashSR
48 kHz audio super-resolution
MLX
LLM og taleomforming
Clef-flash
MLX Swift · 9B · 4-bit · text decisions · development preview
MLX
GLiNER2.5-Decide
MLX Swift · INT8, FP16, FP32 · development preview
MLX
Qwen3.5 Chat 0.8B
Streaming on-device LLM
MLX
CoreML
FunctionGemma 270M
Structured tool / function-call grammar
CoreML
LiteRT
MADLAD-400
Many-to-many translation, 400+ languages
MLX
Hibiki Zero-3B
Streaming speech translation, FR/ES/PT/DE → EN
MLX
PersonaPlex 7B
Moshi-family full-duplex speech-to-speech
MLX
ONNX
VoiceChat 11B
Asymmetric duplex speech-to-speech, INT5 / INT8
MLX