Cihazda konuşma.
Gerçek ürünler için.
Konuşmacı ayrımlı transkripsiyon, sıfır-atışta ses klonlama, uzun biçimli konuşma sentezi — Apple Silicon, Android, Windows ve gömülü Linux üzerinde çalışır. Bulut API yok, dakika başına ücret yok, cihazdan veri çıkmaz.
brew install speechimplementation("audio.soniqo:speech:0.0.9")Gerçek ürünler için cihaz üzerinde konuşma.
Soniqo’dan benchmarklar, model notları ve yayınlama ayrıntıları.
Tüm yazılarMacBook üzerinde yerel Konuşma AI
Açık kaynak kütüphanenin dört dakikalık turu: Nemotron Streaming ile gerçek zamanlı transkripsiyon, PersonaPlex ile yerel speech-to-speech, VoxCPM2 ile 48 kHz ses klonlama — her demo dizüstü bilgisayarda çalışıyor.
Cihaz üzerinde üç kullanım grubu.
Her grup, Soniqo bileşenlerinden kurulan birkaç alt kullanım durumunu kapsar. Sesinizi verin; sohbet, transkript veya üretilmiş ses alın — yerel, gerçek zamanlı.
Ses ajanları
Ses öncelikli arayüzler kurun — tam çift yönlü speech-to-speech’ten uyandırma kelimesi tetiklemeli birleşik pipeline’lara kadar, hepsi yerel çalışır.
Konuşmadan metne
Sesi yapılandırılmış metne çevirin — canlı altyazı ve dikte için gerçek zamanlı akış, arşivler için yüksek doğruluklu toplu işlem, her konuşmacıyı adıyla işaretlemek için konuşmacı ayrımı.
Konuşma sentezi
Herhangi bir sesle konuşma sentezleyin — bir sesi saniyeler içinde klonlayın, saatlerce sesli kitap anlatın, çok konuşmacılı podcast üretin, tamamen çevrimdışı.
Otuzdan fazla model. Tek bir stack.
Yukarıdaki kullanım pipeline’ları bu modellerden kurulur. Bir bileşeni seçin; mimarisini, CLI’sini, Swift API’sini ve benchmarklarını okuyun. Hepsi Apple Silicon’da, çoğu Android ve Linux’ta da çalışır.
Konuşmadan metne
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
Metinden konuşmaya
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
Ses analizi
Müzik ve ses üretimi
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
