29 октября 2026 года Hugging Face представила два Swift-пакета, которые переносят подход AnyLanguageModel на речь и принятие решений: один знакомый API и свобода выбора модели под ним.
AnySpeechRecognizer
Пакет повторяет API SpeechAnalyzer от Apple, который появился вместе с macOS 26 и iOS 26, а движок самой Apple оставляет по умолчанию. Команды, уже работающие с этим общим API, могут переключиться, сменив импорт. Чтобы взять другой движок, достаточно изменить только способ создания транскрайбера.
Доступные движки:
- Parakeet v3 (NVIDIA) распознаёт 25 европейских языков и определяет, на каком из них говорят.
- Parakeet Ultra - версия v3, дообученная в Moondream.
- Parakeet Unified работает только с английским.
- Qwen3-ASR (Alibaba) покрывает 30 языков и 22 китайских диалекта. Он медленнее, отдаёт только финальные результаты и лучше подходит для файлов, чем для живого звука.
Авторы сконвертировали модели в Core ML и выложили на Hugging Face Hub под лицензиями, среди которых CC BY 4.0, Apache 2.0 и NVIDIA Open Model License. Какая из них относится к вашему случаю, нужно проверить самостоятельно. Каждая загрузка Parakeet занимает около 600 МБ, Qwen3-ASR - от 0,9 до 2,4 ГБ.
Новый модуль SpeakerDiarizer построен на NVIDIA Streaming Sortformer. Он отслеживает до четырёх говорящих, в том числе когда они перебивают друг друга, и приписывает каждое слово одному из них. В фреймворке Apple такой функции нет.
На файлах LibriSpeech, на Mac Studio с M4 Max, Parakeet v3 показал долю ошибок в словах 1,55% на чистом наборе против 2,12% у транскрайбера Apple. Час аудио из файла обрабатывался примерно за 20-40 секунд. Одновременная речь по-прежнему даётся тяжело: на записях совещаний AMI все проверенные движки превысили 23%. Авторы тестировали только на macOS 27, не на iPhone, и советуют мерить качество на собственных записях.
AnyDecisionModel
Пакет отвечает на вопрос по вероятностям самой модели, без генерации и разбора текста. Он возвращает вероятность для вопроса да/нет, типизированный выбор с вероятностью по каждому варианту или оценку по шкале. К каждому ответу прилагается значение уверенности, рассчитанное на основе энтропии.
Бэкендов шесть: MLX, MLX decision heads, Core AI, llama.cpp, Jev и Ollama. Локальные бэкенды с предсказанием следующего токена ограничивают выбор 26 вариантами, а оценку - 10 уровнями. Clef-Flash от Cloudflare, модель на 9 млрд параметров с обученной decision head, работает через бэкенд MLX decision heads. Её 4-битная сборка весит 6,2 ГБ, а в карточке модели рекомендуют не менее 16 ГБ памяти.
Пакет поддерживает калибровку и настройку, которая убирает влияние порядка вариантов: сырые вероятности языковых моделей часто завышены и могут отдавать предпочтение варианту из-за его места в списке.
Требования и статус
Оба пакета требуют Swift 6.2 и macOS 26 или iOS 26. Для рантаймов Parakeet и Sortformer и для бэкенда MLX нужен чип Apple. Версии пока ранние: 0.1.0 у AnySpeechRecognizer и 0.6.0 у AnyDecisionModel. Опцию Core AI из AnyDecisionModel пока нельзя использовать вместе с AnySpeechRecognizer из-за конфликта зависимостей.