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

    Голосовой ИИ для разработчиков

  2. 2

    Cartesia Sonic

    🤖 Automate

    Sonic — самый быстрый API голосов, похожих на человеческие.

  3. 3

    API реального времени OpenAI

    🧩 Deploy

    Двунаправленный потоковый интерфейс для GPT-4o Realtime.

  4. 4

    Whisper by OpenAI

    🤖 Automate

    Нейронная сеть для распознавания речи

  5. 5

    Phonon-2

    🤖 AI Tools

    Phonon-2 — это модель распознавания речи от Fermion Research, ориентированная на английский язык и предназначенная для локальной транскрибации на устройстве.

  6. 6

    KittenTTS 2

    🤖 AI Tools

    KittenTTS 2 — это модель генерации речи, способная создавать новую речь, звучащую как голос оригинального диктора на основе короткой аудиозаписи, с поддержкой функции in-context voice cloning.

  7. 7

    Minicrow AI

    🤖 AI Tools

    MiniCrow предлагает ИИ-инструменты для преобразования речи в текст, текста в речь, голосового ИИ в реальном времени и анализа видео, работающие через OpenAI-совместимый API, разработанный специально для индийских языков. Платформа включает в себя различные модели, оптимизированные для практического применения, в том числе LLM, голосовых агентов и сервисы транскрибации.