Em 29 de outubro de 2026, a Hugging Face anunciou dois pacotes Swift que levam a abordagem do AnyLanguageModel para fala e decisões: uma API conhecida, com a escolha do modelo por baixo.
AnySpeechRecognizer
O pacote espelha a API SpeechAnalyzer da Apple, lançada com macOS 26 e iOS 26, e mantém o motor da própria Apple como padrão. Quem já usa essa API compartilhada pode migrar trocando o import. Para usar outro motor, basta mudar a forma de criar o transcritor.
Os motores disponíveis:
- Parakeet v3 (NVIDIA) reconhece 25 idiomas europeus e detecta qual deles está sendo falado.
- Parakeet Ultra é a versão do v3 com pós-treinamento feito pela Moondream.
- Parakeet Unified atende somente inglês.
- Qwen3-ASR (Alibaba) cobre 30 idiomas e 22 dialetos do chinês. É mais lento, entrega apenas resultados finais e funciona melhor com arquivos do que com áudio ao vivo.
Os autores converteram os modelos para Core ML e os publicaram no Hugging Face Hub com licenças que incluem CC BY 4.0, Apache 2.0 e a NVIDIA Open Model License. Vale conferir qual delas vale para o seu uso. Cada download do Parakeet tem cerca de 600 MB, e o Qwen3-ASR vai de 0,9 a 2,4 GB.
Um novo módulo, o SpeakerDiarizer, construído sobre o Streaming Sortformer da NVIDIA, acompanha até quatro falantes, inclusive quando falam ao mesmo tempo, e atribui cada palavra a um deles. O framework da Apple não tem nada equivalente.
Em arquivos do LibriSpeech, medidos em um Mac Studio M4 Max, o Parakeet v3 teve taxa de erro de palavras de 1,55% no conjunto limpo, contra 2,12% do transcritor da Apple. Uma hora de áudio levou de 20 a 40 segundos, aproximadamente, a partir de arquivo. Fala sobreposta continua difícil: nas gravações de reuniões do AMI, todos os motores testados passaram de 23%. Os autores testaram apenas no macOS 27, sem rodar em iPhone, e recomendam medir com o seu próprio áudio.
AnyDecisionModel
Este pacote responde a uma pergunta lendo diretamente as probabilidades do modelo, sem gerar texto para depois interpretá-lo. Ele devolve uma probabilidade para uma pergunta de sim/não, uma escolha tipada com probabilidade por opção, ou uma nota em uma escala. Cada resposta vem com um valor de confiança baseado em entropia.
São seis backends: MLX, MLX decision heads, Core AI, llama.cpp, Jev e Ollama. Os backends locais de próximo token limitam uma escolha a 26 opções e uma nota a 10 níveis. O Clef-Flash da Cloudflare, um modelo de 9B com decision head treinada, roda pelo backend MLX de decision heads. A versão de 4 bits pesa 6,2 GB, e o model card recomenda ao menos 16 GB de memória.
O pacote oferece calibração e um ajuste para eliminar o viés da ordem das opções, porque as probabilidades brutas dos modelos de linguagem costumam ser excessivamente confiantes e podem favorecer uma opção pela posição.
Requisitos e estágio
Os dois pacotes exigem Swift 6.2 e macOS 26 ou iOS 26. Os runtimes do Parakeet e do Sortformer e o backend MLX precisam de Apple silicon. As versões atuais são iniciais: 0.1.0 do AnySpeechRecognizer e 0.6.0 do AnyDecisionModel. O trait Core AI do AnyDecisionModel ainda não pode ser combinado com o AnySpeechRecognizer por causa de um conflito de dependências.