Fala no dispositivo.
Para produtos reais.
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")Fala no dispositivo, na prática.
Benchmarks, notas de modelos e detalhes de entrega para produtos reais.
Todos os postsIA de voz local em um MacBook
Um tour de quatro minutos pela biblioteca open source: transcrição em tempo real com Nemotron Streaming, voz-para-voz local com PersonaPlex e clonagem de voz a 48 kHz com VoxCPM2 — cada demo roda no laptop.
Três grupos de casos de uso no dispositivo.
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.
Agentes de voz
Construa interfaces voice-first — de speech-to-speech full-duplex a pipelines composáveis acionados por palavra-chave, tudo rodando localmente.
Transcrição
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.
Síntese de voz
Sintetize voz em qualquer voz — clone uma voz em segundos, narre audiolivros por horas ou faça podcasts multi-locutor, totalmente offline.
Mais de trinta modelos. Uma stack.
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.
Reconhecimento de fala
52 langs, RTF 0.06, 4-/8-bit
speech-swift native CoreML baseline
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
Word-level timestamps, 80 ms
Streaming with punctuation
Síntese de fala
9 langs, zero-shot cloning, bf16 / 8-bit
12 Hz codec LM, faster than real-time
48 kHz, 30 langs, voice design + cloning
Native MLX zero-shot cloning, emotion + tempo controls
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
54 voices, iOS-ready, 10 langs
90-min podcasts / audiobooks
9 langs, 5 baked voices, streaming
IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL
Análise de áudio
Música e produção de áudio
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
Sidon denoise + dereverb → 48 kHz
48 kHz audio super-resolution
