Soniqosoniqo
Open source · Apache 2.0 · Полностью офлайн

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.

Начать со Stenograf

Личная память о разговорах

GitHub
Apple · Homebrew
brew install speech
Android · Gradle
implementation("audio.soniqo:speech:0.0.9")
Свежие статьи и видео
Все публикации
YouTube · Концептуальный ролик

Stenograf — От разговора к действию

Концептуальный ролик о том, как Stenograf видит превращение разговоров в полезные дальнейшие действия.

Смотреть
Блог Ивана · Статья на английском

NVIDIA Nemotron VoiceChat на Apple Silicon: полнодуплексная речь с вызовом инструментов

От Moshi и PersonaPlex к VoiceChat: как полнодуплексная речь обрабатывает перебивания и вызовы инструментов MCP и когда подходит компактный конвейер голосовых команд на Android.

Читать
YouTube · 2 мин 33 с

Полный дуплекс на MacBook с реальными вызовами инструментов

Реальная сессия с NVIDIA Nemotron VoiceChat 11B, запущенная локально: речевой ход, перебивание на середине фразы и полный вызов инструмента MCP в Напоминания Apple. RTF 0,92 на M5 Pro, и ничего не покидает машину.

Смотреть
YouTube · 90 сек

Полностью офлайновый голосовой агент в 1,2 ГБ на Android

Скажи — и Android сделает: полный командный цикл от речи до реального действия на устройстве и голосового ответа, на одном телефоне в 1,2 ГБ RAM. Silero VAD, Parakeet STT, вызовы инструментов FunctionGemma и Pocket TTS.

Смотреть
Что можно построить

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.

Диалоговый

Голосовые агенты

Создавайте voice-first интерфейсы — от полнодуплексного speech-to-speech до компонуемых пайплайнов с активацией по ключевому слову, всё локально.

Learn more
Понимание аудио

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.

Learn more
Создание контента

Синтез речи

Синтезируйте речь любым голосом — клонируйте голос за секунды, читайте аудиокниги часами или озвучивайте многоголосые подкасты — полностью офлайн.

Learn more
Все компоненты

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.

Текст → речь

CosyVoice 3

9 langs, zero-shot cloning, bf16 / 8-bit

MLX
ONNX
Qwen3-TTS

12 Hz codec LM, faster than real-time

MLX
CoreML
VoxCPM2

48 kHz, 30 langs, voice design + cloning

MLX
ONNX
LiteRT
IndexTTS2

Zero-shot cloning, emotion + tempo controls, RTF 1.0

MLX
Supertonic-3

99M, 31 langs, 44.1 kHz

CoreML
LiteRT
Chatterbox Flash

CoreML voice cloning, TTFT 0.27s, RTF 0.59

CoreML
MLX
LiteRT
OmniVoice

600+ langs, NAR diffusion cloning

MLX
Indic-Mio

Hindi emotion TTS + raw reference cloning

MLX
Fish Audio S2 Pro

Style markers + zero-shot cloning

MLX
F5-TTS

Zero-shot cloning in 16 flow steps, RTF 0.57

MLX
Higgs TTS 3

4B conversational cloning, emotion tags, RTF 0.78

MLX
Kokoro 82M

54 voices, iOS-ready, 10 langs

CoreML
ONNX
Pocket TTS 100M

English, ~130 ms streaming TTFA

ONNX
VibeVoice

90-min podcasts / audiobooks

MLX
Magpie 357M

9 langs, 5 baked voices, streaming

MLX
Voice Cloning Suite

IndexTTS2, CosyVoice, Chatterbox Flash, Qwen3-TTS ICL

CoreML
MLX