AnySpeechRecognizer és AnyDecisionModel Swiftre

Mi változott?

A Hugging Face az AnyLanguageModel után két új nyílt Swift-csomagot jelentett be Apple platformokra (Hugging Face blog). Mindkettő ugyanazt a mintát követi: ismerős API, mögötte szabadon választható modell, amely a Hubról töltődik le és a készüléken fut.

AnySpeechRecognizer: más motor az Apple API-ja mögött

A macOS 26 és az iOS 26 hozta az Apple SpeechAnalyzer beszédfelismerő API-ját, de mögötte csak az Apple saját motorja fut. Az AnySpeechRecognizer ugyanezt az API-t tükrözi, így sok esetben elég az import sort lecserélni. A motor alapból továbbra is az Apple-é, de egy sorral átállítható.

• Parakeet v3 (NVIDIA): 25 európai nyelv, automatikus nyelvfelismeréssel.
• Parakeet Ultra: a Moondream utótanított v3-változata, a mérések többségében pontosabb.
• Parakeet Unified: az NVIDIA csak angol modellje.
• Qwen3-ASR (Alibaba) 0.6B és 1.7B méretben: 30 nyelv, illetve 22 kínai dialektus, de lassabb, inkább fájlokhoz való.

Új a beszélőszétválasztás (speaker diarization) is, ami az Apple frameworkjéből hiányzik: az NVIDIA Streaming Sortformer modellje legfeljebb négy beszélőt követ akár átfedő beszédnél is, majd minden szót beszélőhöz rendel. A modelleket a Hugging Face Core ML formátumra konvertálta, majd a Hubon tette közzé.

Mennyire jó?

A szótévesztési arány (WER) a Hugging Face saját mérésében, M4 Max Mac Studión, 3–8 perces LibriSpeech fájlokon, test-clean készleten:

• Parakeet Unified, fájlból: 1,43%
• Parakeet v3, fájlból: 1,55%
• Parakeet Ultra, fájlból: 1,66%
• Az Apple saját motorja, fájlból: 2,12%

Egy óra hanganyagot a Parakeet fájlból kb. 20–40 másodperc alatt ír át, élő bemenetnél 1,5–2,5 perc alatt, nagyjából 100 MB memóriával. Megbeszélés-felvételeken (AMI) viszont minden tesztelt motor 23% fölötti hibaarányt hozott. A szerzők szerint ezek egy gép és néhány adatkészlet számai, iPhone-on még nem teszteltek.

AnyDecisionModel: döntés szöveg helyett valószínűséggel

Az AnyDecisionModel igen/nem, feleletválasztós és skálás kérdésekre ad típusos választ. Nem generált szöveget parse-ol, hanem a modell valószínűségeiből olvassa ki a döntést, így minden opcióhoz kapunk egy valószínűséget, illetve egy bizonyossági értéket. Tipikus felhasználás: sürgős-e egy ügyfélüzenet, melyik csapathoz menjen egy ticket, mennyire frusztrált az ügyfél.

Hat backendet támogat: MLX, MLX tanított döntési fejjel (például a Cloudflare Clef modelljeihez), Core AI, llama.cpp, a TypeSafe Jev szolgáltatása, illetve Ollama. A demóalkalmazás, az Emoji Magnet egy Macen futó Qwen3 4B modellel 16 kérdést kb. 0,45 másodperc alatt válaszol meg. Van kalibráció a túl magabiztos valószínűségekre, illetve opciósorrend-torzítás elleni beállítás is.

Miért fontos?

Apple-fejlesztőknek ez azt jelenti, hogy nyílt, helyben futó beszédfelismerést kapnak az Apple API-jával kompatibilis felületen, beszélőszétválasztással együtt. Az AnyDecisionModel pedig a gyakori "kérdezd meg az LLM-et és parse-old a szöveget" mintát cseréli le mérhető, kalibrálható döntésekre.

Kipróbálás

Mindkét csomaghoz Swift 6.2 és macOS 26 vagy iOS 26 kell, a Parakeet és az MLX backend Apple siliconon fut. Swift Package Managerrel telepíthetők (AnySpeechRecognizer 0.1.0, AnyDecisionModel 0.6.0), az AnySpeechRecognizer mellé egy hear nevű parancssori eszköz is jár átírásra és kiértékelésre.