Hugging Face publie des paquets Swift pour la reconnaissance vocale et la prise de décision sur l'appareil

Hugging Face a publié AnySpeechRecognizer et AnyDecisionModel, deux nouveaux paquets Swift qui permettent aux développeurs d'exécuter des modèles open source de reconnaissance vocale et de prise de décision directement sur les appareils Apple. Le changement le plus significatif ici est le découplage du moteur d'inférence de l'API : les développeurs peuvent désormais remplacer les modèles propriétaires d'Apple par des alternatives open source comme Parakeet de NVIDIA ou Qwen3-ASR d'Alibaba sans réécrire la logique de leur application.

Ce qui s'est passé

Selon le blog de Hugging Face, AnySpeechRecognizer reproduit l'API SpeechAnalyzer d'Apple introduite dans macOS 26 et iOS 26. En conservant une interface identique, les développeurs peuvent changer le moteur sous-jacent en modifiant simplement la façon dont le transcribeur est instancié. Le paquet prend en charge trois moteurs principaux : Parakeet v3 (le modèle polyglotte 0,6B de NVIDIA), Parakeet Ultra (la variante post-entraînée de Moondream) et Qwen3-ASR (les modèles 0,6B et 1,7B d'Alibaba). Les trois fonctionnent sur un runtime Core ML personnalisé. Les modèles Parakeet prennent en charge l'entrée en direct, le minutage des mots et les scores de confiance, tandis que Qwen3-ASR est mieux adapté à la transcription de fichiers en raison de son traitement GPU plus lent.

Le paquet introduit également SpeakerDiarizer, un module qui exécute Streaming Sortformer de NVIDIA sur Core ML pour attribuer la parole à jusqu'à quatre locuteurs simultanément, une capacité que le framework d'Apple ne possède pas actuellement. Hugging Face rapporte que sur un Mac Studio M4 Max, Parakeet peut transcrire une heure d'audio en 20 à 40 secondes depuis un fichier, en utilisant environ 100 Mo de mémoire. Cependant, le blog note que les taux d'erreur par mot ont dépassé 23 % sur les enregistrements de réunions AMI, soulignant que la parole superposée reste un défi pour tous les moteurs testés.

AnyDecisionModel répond à un besoin différent : la classification zéro-shot. Au lieu de solliciter un grand modèle de langage et d'analyser la sortie textuelle, ce paquet utilise des modèles de décision pour retourner des probabilités structurées. Par exemple, il peut déterminer si un message est urgent ou quelle équipe doit traiter un ticket, en retournant un type Choice avec des probabilités pour chaque option plutôt qu'une simple chaîne de texte. Le backend MLX construit des invites avec des étiquettes d'un jeton et lit les probabilités en une seule passe avant.

Pourquoi c'est important pour les créateurs de petites entreprises

Pour les petites équipes, le coût et la latence de l'envoi d'audio vers des API cloud sont des goulets d'étranglement significatifs. AnySpeechRecognizer résout ce problème en permettant une transcription de haute qualité, privée et sur l'appareil. Si vous développez un outil de support client ou une application de service sur le terrain, vous pouvez désormais traiter les notes vocales localement, éliminant ainsi les frais d'API par minute et les préoccupations liées à la confidentialité des données. La possibilité de changer de moteur est cruciale : si Parakeet a du mal avec un accent spécifique, vous pouvez passer à Qwen3-ASR, qui prend en charge 30 langues et 22 dialectes chinois, sans refactoriser votre base de code. Cette modularité reflète les meilleures pratiques des frameworks d'agents open source, vous donnant le contrôle sur la couche d'inférence tout en maintenant des interfaces Swift sûres par type.

Que faire cette semaine

1. Clonez le dépôt AnySpeechRecognizer et exécutez l'outil en ligne de commande hear sur vos propres fichiers audio pour évaluer les taux d'erreur par mot par rapport à votre cas d'utilisation spécifique.
2. Si vous utilisez actuellement SpeechAnalyzer d'Apple, créez une branche de test où vous remplacez l'import par AnySpeechRecognizer et instanciez un transcribeur Parakeet pour vérifier la compatibilité avec votre gestion asynchrone de séquences existante.
3. Expérimentez avec AnyDecisionModel en implémentant un classifieur simple pour une tâche répétitive dans votre entreprise, comme la catégorisation des tickets de support entrants, afin d'évaluer l'utilité des sorties basées sur les probabilités par rapport à l'analyse textuelle des LLM.

Sources

• Introducing AnySpeechRecognizer and AnyDecisionModel: Open Models for Speech and Decisions on Apple Platforms — Hugging Face Blog