AppleはmacOS 26とiOS 26で新しい音声認識API、SpeechAnalyzerを導入しましたが、これを使うアプリはApple自身の認識エンジンに縛られます。Hugging Faceは、その縛りをゆるめるオープンソースのSwiftパッケージを2つ公開しました。AnySpeechRecognizerはAppleのAPIの名前をそのまま写しているので、既存のアプリはimportと設定の1行を変えるだけでエンジンを切り替えられます。AnyDecisionModelは、モデルに「はい・いいえ」、選択式、評価尺度の質問を型付きで投げかける手段を開発者に提供します。どちらもHugging Face Hubからオープンなモデルをダウンロードし、端末上で実行します。
音声パッケージは、25のヨーロッパ言語を認識するParakeet TDT 0.6B v3を含むNVIDIAのParakeetの3つの版と、30言語と22の中国語方言に対応するAlibabaのQwen3-ASR(0.6Bと1.7B)をサポートします。Hugging Faceはこれらのモデルを Core ML に変換し、それぞれを固定のリビジョンに固定しています。さらにAppleにない機能として、話者分離も加えました。NVIDIAのStreaming Sortformerを使い、話が重なっても最大4人の話者を区別します。M4 Max搭載のMac Studioでの測定では、LibriSpeechのクリーンな音声に対する単語誤り率はParakeet Unifiedが1.43%、Appleのエンジンが2.12%でした。Parakeetはファイルからなら1時間の音声を約20〜40秒、約100 MBのメモリで書き起こすといいます。Parakeetのダウンロードはそれぞれ約600 MBです。
AnyDecisionModelは、メッセージが緊急かどうか、問い合わせをどのチームに回すかといったよくある作業に別の方法で取り組みます。言語モデルが書いた文章を解析する代わりに、許された各回答にモデルが割り当てる確率を読み取るので、アプリは判断ごとに信頼度の数値を得られます。MLX、Core AI、llama.cppで小さなモデルをローカル実行するほか、判断専用に学習されたCloudflareのClefを使ったり、JevやOllamaのようなホスト型サービスを呼び出したりできます。モデルの生の確率は自信過剰になりがちなため、較正のオプションも用意されています。
Appleの開発者にとっては、新しいAPIに乗り換えることなく、当サイトでレビューしている音声モデルParakeet TDT 0.6B v3とQwen3-ASRを試す手間が減り、分類の作業をクラウドのチャットモデルから端末へ移しやすくなります。ローカルのバックエンドを有効にしない限り、パッケージはサードパーティの依存関係を持ちません。
限界はHugging Face自身の説明に明記されています。測定はすべて1台のMacと少数のデータセットによるもので、テストもmacOS 27でしか行われておらず、iPhoneでは試されていません。AMIの会議録音では、どのエンジンも単語誤り率が23%を超えました。声が重なる現実の会話は、どのエンジンを選んでも難しいままです。Qwen3-ASRはParakeetよりかなり遅く、数ギガバイトのメモリを必要とします。また依存関係の衝突のため、Core AIの判断用バックエンドはまだ音声パッケージと組み合わせられません。