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

    IA de voz para desarrolladores

  2. 2

    Cartesia Sonic

    🤖 Automate

    Sonic es la API de voz similar a la humana más rápida.

  3. 3

    API en tiempo real OpenAI

    🧩 Deploy

    Interfaz de transmisión bidireccional para GPT-4o Realtime.

  4. 4

    Whisper by OpenAI

    🤖 Automate

    Una red neuronal para el reconocimiento de voz

  5. 5

    Phonon-2

    🤖 AI Tools

    Phonon-2 es un modelo de reconocimiento de voz enfocado en el inglés de Fermion Research, diseñado para la transcripción local en el dispositivo.

  6. 6

    KittenTTS 2

    🤖 AI Tools

    KittenTTS 2 es un modelo de generación de voz que puede producir habla nueva que suena como la de un hablante original a partir de una grabación de audio corta, incorporando clonación de voz en contexto.

  7. 7

    Minicrow AI

    🤖 AI Tools

    MiniCrow ofrece herramientas de IA para conversión de voz a texto, texto a voz, IA de voz en tiempo real y comprensión de video, todo bajo una API compatible con OpenAI diseñada específicamente para idiomas indios. La plataforma incluye varios modelos optimizados para aplicaciones del mundo real, incluyendo LLM, agentes de voz y servicios de transcripción.