เสียงพูดบนอุปกรณ์
สำหรับผลิตภัณฑ์จริง
การถอดเสียงพร้อมแยกผู้พูด การโคลนเสียงแบบ zero-shot และการสังเคราะห์เสียงพูดยาว — ทำงานบน Apple Silicon, Android, Windows และ Linux แบบฝังตัว ไม่ต้องใช้ API บนคลาวด์ ไม่มีการคิดเงินรายนาที และไม่มีข้อมูลออกจากอุปกรณ์
brew install speechimplementation("audio.soniqo:speech:0.0.9")เสียงพูดบนอุปกรณ์สำหรับผลิตภัณฑ์จริง
เบนช์มาร์ก บันทึกโมเดล และรายละเอียดการนำขึ้นใช้งานจาก Soniqo
บทความทั้งหมดSpeech AI แบบโลคัลบน MacBook
ทัวร์ไลบรารีโอเพนซอร์สสี่นาที: การถอดเสียงเรียลไทม์ด้วย Nemotron Streaming, speech-to-speech โลคัลด้วย PersonaPlex, และการโคลนเสียงที่ 48 kHz ด้วย VoxCPM2 — ทุกการสาธิตรันบนแล็ปท็อป
สามกลุ่มกรณีใช้งานบนอุปกรณ์
แต่ละกลุ่มครอบคลุมหลายกรณีย่อยที่ประกอบขึ้นจากคอมโพเนนต์ของ Soniqo ส่งเสียงเข้ามา แล้วได้บทสนทนา ข้อความถอด หรือเสียงที่สร้างขึ้น — แบบโลคัล เรียลไทม์
เอเจนต์เสียง
สร้างอินเตอร์เฟซที่เน้นเสียงเป็นหลัก — ตั้งแต่ speech-to-speech แบบ full-duplex ไปจนถึงไปป์ไลน์ประกอบที่ปลุกด้วยคำสั่งปลุก ทั้งหมดทำงานในเครื่อง
การถอดเสียงเป็นข้อความ
แปลงเสียงเป็นข้อความที่มีโครงสร้าง — สตรีมมิ่งเรียลไทม์สำหรับคำบรรยายสดและการบอกพิมพ์ การประมวลผลแบบแบตช์ความแม่นยำสูงสำหรับคลังเก็บ พร้อมการแยกผู้พูดเพื่อระบุชื่อแต่ละคน
การสังเคราะห์เสียงพูด
สังเคราะห์เสียงพูดด้วยเสียงใดก็ได้ — โคลนเสียงในไม่กี่วินาที อ่านหนังสือเสียงได้นับชั่วโมง หรือสร้างพอดแคสต์หลายผู้พูด ทำงานออฟไลน์ทั้งหมด
มากกว่าสามสิบโมเดล หนึ่งสแต็ก
ไปป์ไลน์กรณีใช้งานด้านบนสร้างจากโมเดลเหล่านี้ เลือกคอมโพเนนต์เพื่ออ่านสถาปัตยกรรม CLI Swift API และ benchmark ทั้งหมดทำงานบน Apple Silicon ส่วนใหญ่ทำงานบน Android และ Linux ด้วย
เสียงพูดเป็นข้อความ
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
ข้อความเป็นเสียงพูด
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
การวิเคราะห์เสียง
ดนตรีและการผลิตเสียง
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
