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")
NVIDIA Nemotron VoiceChat 11B modelini yerel olarak çalıştıran gerçek bir oturum: konuşma sırası, cümle ortasında araya girme ve Apple Anımsatıcılar’a tam bir MCP araç çağrısı. M5 Pro üzerinde RTF 0,92 ve hiçbir veri makineden çıkmıyor.
Söyle — Android yapsın: konuşmadan gerçek bir cihaz eylemine ve sesli yanıta uzanan eksiksiz komut döngüsü, tek telefonda 1.2 GB RAM ile. Silero VAD, Parakeet STT, FunctionGemma araç çağrıları ve Pocket TTS.
Açık kaynak kütüphanede 4 dakikalık tur: Nemotron Streaming ile gerçek zamanlı döküm, PersonaPlex ile yerel konuşmadan konuşmaya, VoxCPM2 ile 48 kHz klonlama — hepsi dizüstünde.
Telefonda ve Mac'te VAD → STT → LLM → TTS · ~1.2 GB iPhone · ~1.5 GB S23 · <4 GB masaüstü
Aynı VAD → STT → LLM → TTS ajan hattı iPhone, Galaxy S23 ve Mac'te — her bütçe için ölçülmüş bellekle.
Her grup, Soniqo bileşenlerinden kurulan birkaç alt kullanım durumunu kapsar. Sesinizi verin; sohbet, transkript veya üretilmiş ses alın — yerel, gerçek zamanlı.
Ses öncelikli arayüzler kurun — tam çift yönlü speech-to-speech’ten uyandırma kelimesi tetiklemeli birleşik pipeline’lara kadar, hepsi yerel çalışır.
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.
Herhangi bir sesle konuşma sentezleyin — bir sesi saniyeler içinde klonlayın, saatlerce sesli kitap anlatın, çok konuşmacılı podcast üretin, tamamen çevrimdışı.
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.
52 langs, RTF 0.06, 4-/8-bit
Native CoreML: 1.40% WER, 6 s model load
MLX INT5: 128K offline context, RTF 0.028
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
14 langs, INT5 default, RTF 0.015
8 langs, INT5 default, RTF 0.074
Word-level timestamps, 80 ms
Streaming with punctuation
9 langs, zero-shot cloning, bf16 / 8-bit
12 Hz codec LM, faster than real-time
48 kHz, 30 langs, voice design + cloning
Zero-shot cloning, emotion + tempo controls, RTF 1.0
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
Zero-shot cloning in 16 flow steps, RTF 0.57
4B conversational cloning, emotion tags, RTF 0.78
54 voices, iOS-ready, 10 langs
English, ~130 ms streaming TTFA
90-min podcasts / audiobooks
9 langs, 5 baked voices, streaming
IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL
SpeechBrain ECAPA, 107 languages, 21M
Masked WeSpeaker + native PLDA/VBx, ~32 MB
Community-1 + Pyannote + Sortformer
WeSpeaker / CAM++ for ID
Silero v6.2.1, Pyannote, FireRedVAD
KWS Zipformer, 26× real-time
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
Two-stream echo cancellation, 16 ms latency
Sidon denoise + dereverb → 48 kHz
48 kHz audio super-resolution
Streaming on-device LLM
Structured tool / function-call grammar
Many-to-many translation, 400+ languages
Streaming speech translation, FR/ES/PT/DE → EN
Moshi-family full-duplex speech-to-speech
Asymmetric duplex speech-to-speech, INT5 / INT8