Soniqosoniqo
开源 · Apache 2.0 · 完全离线

端侧语音。
面向真实产品。

说话人分离的转录、零样本声音克隆、长篇语音合成 —— 在 Apple Silicon、Android、Windows 和嵌入式 Linux 上运行。无云端 API、无按分钟计费、数据从不离开设备。

开始使用 GitHub
Apple · Homebrew
brew install speech
Android · Gradle
implementation("audio.soniqo:speech:0.0.9")
最新文章与视频
全部文章
YouTube · 90 秒

我们把完整的离线语音代理装进 Android 的 1.2 GB

说出指令,Android 立即执行:从语音到真实设备操作再到语音回复的完整闭环,在一部手机上以 1.2 GB 内存运行 — Silero VAD、Parakeet STT、FunctionGemma 工具调用与 Pocket TTS。

观看
YouTube · 4 分钟

MacBook 上的本地语音 AI — 4 分钟库导览

4 分钟开源库导览:Nemotron Streaming 实时转写、PersonaPlex 本地语音对话、VoxCPM2 48 kHz 声音克隆 — 全部在笔记本上运行。

观看
2026年7月7日 · Soniqo 博客

在设备上运行语音智能体：一条管线，三种内存预算

手机与 Mac 上的 VAD → STT → LLM → TTS · iPhone 约 1.2 GB · S23 约 1.5 GB · 桌面 <4 GB

同一条 VAD → STT → LLM → TTS 语音代理管线跑在 iPhone、Galaxy S23 与 Mac 上,并给出各内存预算的实测值。

阅读
2026年7月2日 · Soniqo 博客

语音克隆模型，在五种语言上实测

8 个引擎:余弦、WER、UTMOS、RTF、峰值 RSS · 新增行:F5-TTS、Higgs TTS 3、IndexTTS2 · 每种语言可对听参考与克隆音频

每种语言 10 组 FLEURS 参考/目标对:说话人相似度、WER/CER、UTMOS、速度与内存,并附可亲耳验证的音频。

阅读
你能构建什么

三大端侧使用场景分组。

每个分组都涵盖多个由 Soniqo 组件拼接而成的子场景。投入音频，即可在本地、实时获得对话、转录或合成语音。

对话式

语音代理

构建以语音为先的界面 —— 从全双工语音对语音，到由唤醒词驱动的可组合流水线，全部本地运行。

Learn more
音频理解

转录

把音频变成结构化文本 —— 实时流式输出实现直播字幕与听写、批量高精度模式处理归档，配合说话人分离为每位说话人命名。

Learn more
内容创作

语音合成

用任意嗓音合成语音 —— 几秒钟克隆一个声音、连续讲述数小时的有声书，或制作多说话人播客，全部离线完成。

Learn more
全部组件

三十多个模型。一个技术栈。

上面的用例流水线全部由这些模型拼接而成。点击组件查看其架构、CLI、Swift API 与基准测试。全部支持 Apple Silicon，多数也支持 Android 与 Linux。

文字转语音

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