El 29 de octubre de 2026, Hugging Face presentó dos paquetes Swift que llevan su enfoque de AnyLanguageModel a la voz y a las decisiones: una API conocida y la posibilidad de elegir el modelo que hay debajo.
AnySpeechRecognizer
El paquete replica la API SpeechAnalyzer de Apple, que llegó con macOS 26 e iOS 26, y mantiene el motor de Apple como opción por defecto. Los equipos que usan esa API compartida pueden cambiar de paquete modificando solo la importación. Para elegir otro motor basta con cambiar la forma de crear el transcriptor.
Los motores disponibles:
- Parakeet v3 (NVIDIA) reconoce 25 idiomas europeos y detecta cuál se habla.
- Parakeet Ultra es la versión de v3 con entrenamiento posterior de Moondream.
- Parakeet Unified funciona solo en inglés.
- Qwen3-ASR (Alibaba) cubre 30 idiomas y 22 dialectos del chino. Es más lento, devuelve únicamente resultados finales y encaja mejor con archivos que con audio en directo.
Los autores convirtieron los modelos a Core ML y los publicaron en el Hugging Face Hub con licencias que incluyen CC BY 4.0, Apache 2.0 y la NVIDIA Open Model License. Conviene comprobar cuál se aplica a tu uso. Cada descarga de Parakeet ronda los 600 MB, y Qwen3-ASR ocupa entre 0,9 y 2,4 GB.
Un módulo nuevo, SpeakerDiarizer, basado en el Streaming Sortformer de NVIDIA, sigue hasta cuatro hablantes, también cuando se solapan, y atribuye cada palabra a uno de ellos. El framework de Apple no tiene nada equivalente.
En archivos de LibriSpeech, medido en un Mac Studio M4 Max, Parakeet v3 obtuvo una tasa de error por palabra del 1,55 % en el conjunto limpio, frente al 2,12 % del transcriptor de Apple. Una hora de audio tardó entre 20 y 40 segundos aproximadamente a partir de un archivo. Las conversaciones solapadas siguen siendo difíciles: en las grabaciones de reuniones AMI, todos los motores probados superaron el 23 %. Los autores probaron solo en macOS 27, no en un iPhone, y recomiendan medir con tu propio audio.
AnyDecisionModel
En vez de generar texto y analizarlo después, este paquete responde leyendo las probabilidades del modelo. Devuelve una probabilidad para una pregunta de sí/no, una elección tipada con una probabilidad por opción, o una puntuación en una escala de valoración. Cada respuesta incluye un valor de confianza basado en la entropía.
Hay seis backends: MLX, cabezales de decisión MLX, Core AI, llama.cpp, Jev y Ollama. Los backends locales de siguiente token limitan una elección a 26 opciones y una puntuación a 10 niveles. Clef-Flash, de Cloudflare, un modelo de 9B con cabezal de decisión entrenado, funciona con el backend de cabezales de decisión MLX. Su versión de 4 bits pesa 6,2 GB y la ficha del modelo recomienda al menos 16 GB de memoria.
El paquete admite calibración y un ajuste para neutralizar el orden de las opciones, porque las probabilidades en bruto de los modelos de lenguaje suelen ser excesivamente confiadas y pueden favorecer una opción por su posición.
Requisitos y estado
Ambos paquetes necesitan Swift 6.2 y macOS 26 o iOS 26. Los runtimes de Parakeet y Sortformer y el backend MLX requieren Apple silicon. Las versiones actuales son tempranas: 0.1.0 para AnySpeechRecognizer y 0.6.0 para AnyDecisionModel. El trait Core AI de AnyDecisionModel todavía no se puede combinar con AnySpeechRecognizer por un conflicto de dependencias.