Речь на устройстве.
Для реальных продуктов.
Диаризованная транскрипция, zero-shot клонирование голоса, длинный синтез речи — на Apple Silicon, Android, Windows и embedded Linux. Никаких облачных API, никакой оплаты по минутам, никакие данные не покидают устройство.
brew install speechimplementation("audio.soniqo:speech:0.0.9")Локальная речь для реальных продуктов.
Бенчмарки, заметки о моделях и детали поставки Soniqo.
Все публикацииЛокальный речевой ИИ на MacBook
Четырёхминутный обзор open source библиотеки: транскрипция в реальном времени с Nemotron Streaming, локальный speech-to-speech с PersonaPlex и клонирование голоса 48 кГц с VoxCPM2 — все демо работают прямо на ноутбуке.
Три группы сценариев — все на устройстве.
Каждая группа охватывает несколько подсценариев, собранных из компонентов Soniqo. Подаёте аудио — получаете диалог, транскрипции или сгенерированную речь локально, в реальном времени.
Голосовые агенты
Создавайте voice-first интерфейсы — от полнодуплексного speech-to-speech до компонуемых пайплайнов с активацией по ключевому слову, всё локально.
Транскрипция
Превращайте аудио в структурированный текст — потоковый режим в реальном времени для живых субтитров и диктовки, высокоточный пакетный режим для архивов, с диаризацией для именования каждого спикера.
Синтез речи
Синтезируйте речь любым голосом — клонируйте голос за секунды, читайте аудиокниги часами или озвучивайте многоголосые подкасты — полностью офлайн.
Более тридцати моделей. Один стек.
Все пайплайны выше собраны из этих моделей. Выберите компонент, чтобы увидеть его архитектуру, CLI, Swift API и бенчмарки. Все работают на Apple Silicon, большинство — также на Android и Linux.
Речь → текст
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
Текст → речь
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
Анализ аудио
Музыка и производство аудио
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
