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 para desenvolvedores

  2. 2

    Cartesia Sonic

    🤖 Automate

    Sonic é a API de voz humanoide mais rápida.

  3. 3

    API OpenAI em tempo real

    🧩 Deploy

    Interface de streaming bidirecional para GPT-4o Realtime.

  4. 4

    Whisper by OpenAI

    🤖 Automate

    Uma rede neural para reconhecimento de fala

  5. 5

    Phonon-2

    🤖 AI Tools

    O Phonon-2 é um modelo de reconhecimento de fala focado em inglês da Fermion Research, projetado para transcrição local no dispositivo.

  6. 6

    KittenTTS 2

    🤖 AI Tools

    O KittenTTS 2 é um modelo de geração de fala que pode produzir uma nova fala com o som de um locutor original a partir de uma pequena gravação de áudio, apresentando clonagem de voz in-context.

  7. 7

    Minicrow AI

    🤖 AI Tools

    A MiniCrow oferece ferramentas de IA para speech-to-text, text-to-speech, IA de voz em tempo real e compreensão de vídeo, tudo em uma API compatível com OpenAI projetada especificamente para idiomas indianos. A plataforma inclui vários modelos otimizados para aplicações do mundo real, incluindo LLM, agentes de voz e serviços de transcrição.