Skip to content

picks

Voice AI infrastructure and speech engines for developers

A curated list of real-time speech APIs, local transcription models, and voice synthesis engines for software engineers building voice applications.

7 tools · curated by Stork

Building reliable voice interfaces requires orchestrating low-latency audio transport, speech recognition, and expressive text-to-speech synthesis. Engineering teams face tradeoffs between managed streaming APIs that minimize round-trip latency and open-weight models that preserve user privacy through local execution. Choosing the wrong abstraction early in development often leads to costly architectural rewrites when latency spikes or connection edge cases emerge in production. This collection highlights low-level voice infrastructure, real-time orchestration frameworks, and specialized speech engines. Evaluate these tools based on your system requirements—whether you need cloud-based streaming pipelines for turn-based conversation, self-hosted models for offline transcription, or expressive speech synthesis for voice agents.
  1. 1

    Vapi

    🤖 Automate

    Voice AI für Entwickler

  2. 2

    Cartesia Sonic

    🤖 Automate

    Sonic ist die schnellste menschenähnliche Sprach-API.

  3. 3

    OpenAI-Echtzeit-API

    🧩 Deploy

    Bidirektionale Streaming-Schnittstelle für GPT-4o Realtime.

  4. 4

    Whisper by OpenAI

    🤖 Automate

    Ein neuronales Netzwerk zur Spracherkennung

  5. 5

    Phonon-2

    🤖 AI Tools

    Phonon-2 ist ein auf Englisch spezialisiertes Spracherkennungsmodell von Fermion Research, das für die lokale Transkription auf dem Gerät entwickelt wurde.

  6. 6

    KittenTTS 2

    🤖 AI Tools

    KittenTTS 2 ist ein Sprachgenerierungsmodell, das aus einer kurzen Audioaufnahme neue Sprache erzeugen kann, die wie die des ursprünglichen Sprechers klingt, und bietet dabei In-Context Voice Cloning.

  7. 7

    Minicrow AI

    🤖 AI Tools

    MiniCrow bietet KI-Tools für Speech-to-Text, Text-to-Speech, Echtzeit-Sprach-KI und Videoverständnis, die alle über eine OpenAI-kompatible API laufen, welche speziell für indische Sprachen entwickelt wurde. Die Plattform umfasst verschiedene Modelle, die für reale Anwendungen optimiert sind, darunter LLM, Sprachagenten und Transkriptionsdienste.