AnySpeechRecognizer：让苹果平台本地语音识别不再绑定单一引擎

苹果在 iOS 26 和 macOS 26 中引入了新的 SpeechAnalyzer 语音转文本 API，开发者可以组合 SpeechTranscriber、SpeechDetector 等模块，处理文件或实时音频。不过，原生 API 的识别引擎由苹果统一提供，应用很难根据语言覆盖、速度、隐私或部署需求进行调整。

Hugging Face 社区成员 Mattt 推出的 AnySpeechRecognizer，试图解决的正是这一层“引擎选择”问题。它基本复用了苹果 Speech 框架的接口，包括 SpeechAnalyzer、SpeechTranscriber、DictationTranscriber、SpeechDetector 和 AssetInventory。对于已经采用这些 API 的 Swift 应用，切换到其他识别模型主要改变转写器的创建方式，资产安装、分析流程和异步结果读取方式仍然保持一致。

核心要点

• 多种本地模型：支持 NVIDIA Parakeet v3、Parakeet Ultra、Parakeet Unified，以及阿里巴巴 Qwen3-ASR 的 0.6B 和 1.7B 版本。
• 覆盖取舍清晰：Parakeet v3 可识别 25 种欧洲语言，并自动判断语言；Qwen3-ASR 支持 30 种语言和 22 种中文方言，更适合包含普通话、粤语、日语和韩语等场景。
• 实时能力不同：Parakeet 支持实时输入、临时结果、词级时间戳和置信度；Qwen3-ASR 以最长约 40 秒的片段返回最终结果，没有临时结果和词级信息，更适合文件转写。
• 加入说话人分离：Streaming Sortformer 可与苹果或 Parakeet 转写器并行运行，跟踪最多四位说话人，并把带时间信息的词归属到相应说话人。
• 模型可在设备端运行：项目将相关检查点转换为 Core ML，并发布到 Hugging Face Hub。模型只有在应用请求时才下载，文件进入标准 Hugging Face 缓存。

在给出的 LibriSpeech 测试中，Parakeet 各版本的文件转写词错误率低于苹果转写器；实时模式通常会牺牲部分准确率换取更快反馈。测试是在单台 M4 Max Mac Studio 和有限数据集上完成的，会议录音中的多人重叠说话仍然是所有引擎的难点，因此这些结果更适合作为参考，而不是普遍性能承诺。

AnyDecisionModel 则面向另一类问题：当应用只需要判断“是或否”、从多个选项中选择，或输出评分时，不一定要让语言模型生成一段文字。它根据模型概率产生带类型和概率的结果，并支持 MLX、Core AI、llama.cpp，以及 Jev 或 Ollama 等本地、托管决策模型。两套工具共同体现了一个方向：在设备端应用中，把语音识别和简单决策交给更专门的模型，而不是凡事调用通用语言模型。

这对 Swift 开发者的意义在于，模型替换不必牵动整套应用架构。语音模型可以按语言、延迟、内存和隐私需求选择，Core ML 也让下载后的推理直接贴近 Apple 平台硬件。与此同时，模型体积、首次下载、内存占用和实际数据集表现仍是产品落地必须评估的成本。AnySpeechRecognizer 并没有消除这些取舍，但为苹果生态提供了一个更开放、可组合的语音模型接入层。

来源：Hugging Face Blog