Speech Core

Open-source речевой движок на C++17 для голосовых агентов — детекция голосовой активности, пакетное и потоковое распознавание речи в реальном времени, диаризация спикеров и синтез речи, и всё это работает на устройстве на Linux, Windows и Android. Apache 2.0.

github.com/soniqo/speech-core 🤗 Модели Discord Apache 2.0

Что это

Speech Core — это компактное оркестрационное ядро: конечный автомат, определение очерёдности реплик, обработка перебиваний, аудиоутилиты — без единой ML-зависимости — плюс набор абстрактных интерфейсов для речевых моделей. Инференс выполняется локально на CPU; аудио никогда не покидает машину, а на этапе инференса нет Python. Инференс моделей подключается опционально через два взаимозаменяемых бэкенда, которые можно включать независимо, либо вы можете предоставить собственные реализации интерфейсов.

Оркестрация голосовых агентов — VoicePipeline объединяет VAD, потоковый STT, LLM и TTS в полнодуплексный агентный цикл с перебиванием (barge-in), определением очерёдности реплик и циклом вызова инструментов. См. docs/pipeline.md и обзор голосовых агентов.
Диаризация спикеров на чистом C++ — DiarizationPipeline объединяет сегментатор и модель эмбеддингов в сегменты с метками спикеров, не имея собственной зависимости от ML-рантайма.
Основа остального стека — speech-android — это Kotlin SDK + JNI-мост поверх Speech Core, а Speech Studio использует его движок LiteRT VoxCPM2 на Windows и Linux. На платформах Apple родственная библиотека — speech-swift.

Платформы и бэкенды

Бэкенд	Платформы	Аппаратное ускорение
ONNX Runtime (`SPEECH_CORE_WITH_ONNX`)	Linux, macOS, Windows, Android	NNAPI на Android, QNN на Qualcomm Linux, опционально NVIDIA CUDA / TensorRT (`-DSPEECH_CORE_WITH_CUDA=ON`)
LiteRT (`SPEECH_CORE_WITH_LITERT`)	Linux x86_64, Windows x86_64, Android, macOS arm64	Пока CPU

Включайте любой из бэкендов, оба или ни одного — оркестрационное ядро собирается вообще без ML-рантайма.

Поддерживаемые модели

Модель	Задача	ONNX	LiteRT
Silero VAD v5	Детекция голосовой активности	✓	✓
Parakeet TDT v3 (0.6B)	Распознавание речи (114 языков)	✓	✓
Nemotron Speech Streaming (0.6B)	Потоковое распознавание речи (английский)	✓	✓
Nemotron-3.5 ASR Streaming Multilingual (0.6B)	Потоковое распознавание речи (многоязычное, управляется промптом)	✓	✓
Omnilingual ASR CTC (300M)	Распознавание речи (многоязычное)	—	✓
Pyannote Segmentation 3.0	Диаризация (сегментация)	—	✓
WeSpeaker ResNet34-LM	Эмбеддинги спикеров	—	✓
VoxCPM2 (2B)	Синтез речи (48 кГц, клонирование голоса)	—	✓
Kokoro 82M	Синтез речи	✓	—
DeepFilterNet3	Улучшение речи	✓	—
PersonaPlex 7B	Полнодуплексная речь в речь (CUDA)	✓	—

Быстрый старт

Соберите ядро вместе с бэкендом LiteRT (библиотека рантайма извлекается из wheel-пакета ai-edge-litert — сборка TensorFlow не нужна):

git clone https://github.com/soniqo/speech-core && cd speech-core
scripts/fetch_litert.sh build/litert
cmake -B build -DCMAKE_BUILD_TYPE=Release \
    -DSPEECH_CORE_WITH_LITERT=ON -DLITERT_DIR=$PWD/build/litert
cmake --build build

Затем слинкуйте нужные вам таргеты:

target_link_libraries(my_app PRIVATE speech_core)                            # orchestration only
target_link_libraries(my_app PRIVATE speech_core speech_core_models)         # + ONNX models
target_link_libraries(my_app PRIVATE speech_core speech_core_models_litert)  # + LiteRT models

Транскрипция аудиобуфера — это несколько строк:

#include <speech_core/models/litert_parakeet_stt.h>

speech_core::LiteRTParakeetStt stt(
    "parakeet-encoder.tflite", "parakeet-decoder-joint.tflite", "vocab.json");

auto r = stt.transcribe(audio, n_samples, 16000);   // r.text / r.language / r.confidence

Встраиваемый и автомобильный Linux

Референсная сборка для Linux — libspeech.so с компактным C ABI, демо-CLI на ALSA и инструментами transcribe/synthesize/phonemize — находится в examples/linux. Она ориентирована на встраиваемый ARM64 (Yocto, Qualcomm SA8295P / SA8255P) и любую Linux-машину разработчика. Шаги настройки — в руководстве по началу работы на Linux.

Разрабатываете под Android или Apple?

На Android используйте speech-android — Kotlin SDK, который упаковывает Speech Core за JNI-мостом (implementation("audio.soniqo:speech:0.0.9")). На macOS и iOS используйте speech-swift, который запускает модели на CoreML, MLX и Apple Neural Engine.

Документация

docs/ — полная документация в репозитории
docs/pipeline.md — конечный автомат VoicePipeline, интеграция AEC и цикл вызова инструментов
docs/models.md — полный перечень моделей
huggingface.co/soniqo — сконвертированные веса моделей (ONNX, LiteRT)

Обратная связь

Открывайте issue на github.com/soniqo/speech-core/issues или присоединяйтесь к Discord.