Transcrição com diarização, clonagem de voz zero-shot, síntese de fala de longa duração — rodando em Apple Silicon, Android, Windows e Linux embarcado. Sem APIs na nuvem, sem cobrança por minuto, sem dados saindo do dispositivo.
brew install speechimplementation("audio.soniqo:speech:0.0.9")
Uma sessão real executando o NVIDIA Nemotron VoiceChat 11B localmente: um turno falado, uma interrupção a meio da frase e uma chamada de ferramenta MCP completa aos Lembretes da Apple. RTF 0,92 num M5 Pro e nada sai da máquina.
Diga — e o Android faz: o loop de comando completo, da fala a uma ação real do dispositivo e uma resposta falada, num único telefone com 1.2 GB de RAM. Silero VAD, Parakeet STT, tool calls do FunctionGemma e Pocket TTS.
Tour de 4 minutos pela biblioteca open source: transcrição em tempo real com Nemotron Streaming, fala-para-fala local com PersonaPlex e clonagem a 48 kHz com VoxCPM2 — tudo no notebook.
VAD → STT → LLM → TTS no celular e no Mac · ~1.2 GB iPhone · ~1.5 GB S23 · <4 GB desktop
A mesma pipeline de agente VAD → STT → LLM → TTS no iPhone, Galaxy S23 e Mac, com memória medida para cada orçamento.
Cada grupo abrange vários subcasos de uso montados a partir de componentes Soniqo. Coloque seu áudio e receba conversa, transcrições ou voz gerada — localmente e em tempo real.
Construa interfaces voice-first — de speech-to-speech full-duplex a pipelines composáveis acionados por palavra-chave, tudo rodando localmente.
Transforme áudio em texto estruturado — streaming em tempo real para legendas ao vivo e ditado, alta precisão em lote para arquivos, com diarização para nomear cada locutor.
Sintetize voz em qualquer voz — clone uma voz em segundos, narre audiolivros por horas ou faça podcasts multi-locutor, totalmente offline.
Os pipelines acima são montados a partir destes modelos. Escolha um componente para ver sua arquitetura, CLI, API Swift e benchmarks. Todos rodam em Apple Silicon, a maioria também em Android e Linux.
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