AnySpeechRecognizer、Apple向けローカル音声モデルを交換可能に

iOS 26とmacOS 26で、Appleは新しい音声認識API「SpeechAnalyzer」を導入した。開発者はSpeechTranscriberやSpeechDetectorなどのモジュールを組み合わせ、音声ファイルまたはライブ入力を処理できる。モデル資産をいつダウンロードするかもアプリ側で管理できるが、認識エンジン自体はAppleの実装に限られていた。

AnySpeechRecognizerは、このAPI設計を大きく変えずに認識エンジンを選べるようにするパッケージだ。SpeechAnalyzer、SpeechTranscriber、DictationTranscriber、SpeechDetector、AssetInventoryに対応しており、既存のSwiftアプリでは主にトランスクライバーの生成方法を変更すればよい。資産のインストール、分析器の構成、非同期シーケンスからの結果取得は従来と同じ考え方で扱える。

主なポイント

• 複数のローカルモデル：NVIDIAのParakeet TDT 0.6B v3、Parakeet Ultra、Parakeet Unified、AlibabaのQwen3-ASR 0.6Bおよび1.7Bを利用できる。
• 言語対応の違い：Parakeet v3は25の欧州言語に対応し、言語を自動判定する。Qwen3-ASRは30言語と22の中国語方言を扱い、標準中国語、広東語、日本語、韓国語も対象に含む。
• リアルタイム性能の違い：Parakeetはライブ入力、暫定結果、単語単位の時間情報と信頼度に対応する。Qwen3-ASRは最大約40秒の区間ごとに最終結果を返し、暫定結果や単語単位の属性は提供しない。
• 話者分離：Streaming Sortformerを転写器と並行して動かし、最大4人の話者を追跡しながら、時間情報付きの単語を話者に割り当てられる。
• Core MLで配布：変換済みモデルはHugging Face Hubで公開され、アプリが要求した場合だけダウンロードされる。保存先は標準のHugging Faceキャッシュだ。

提示されたLibriSpeechの測定では、ファイル転写においてParakeetがテストしたAppleの転写器より低い単語誤り率を示した。ライブ処理では、すぐに結果を返す代わりに精度とのトレードオフが生じる。測定環境はM4 Max Mac Studio 1台で、データセットも限定されているため、結果を一般的な性能保証と見るべきではない。会議音声のように複数人が重なる場面は、どのエンジンにとっても依然として難しい。

もう一つのAnyDecisionModelは、後段の判断を対象にする。アプリが必要としているのが「はい／いいえ」、複数候補からの選択、または段階評価であれば、汎用言語モデルに文章を生成させる必要はない。AnyDecisionModelはモデルの確率から型付きの回答と確率を導出する。MLX、Core AI、llama.cppで動くモデルに加え、JevやOllamaの決定モデルも利用対象になる。

両パッケージが示すのは、Apple端末上のAIをよりモジュール化する方向だ。音声認識は言語、遅延、メモリ、プライバシーに応じて選択し、単純な分類やルーティングは専用の決定モデルに任せられる。Core MLはAppleのハードウェアに適した実行基盤を提供するが、モデル容量、初回ダウンロード、メモリ消費、実際の音声での精度は個別に検証する必要がある。AnySpeechRecognizerの価値は制約を消すことではなく、それらをSwiftアプリから選択可能にした点にある。

出典：Hugging Face Blog