Hugging Face 发布用于端侧语音识别与决策的 Swift 软件包

Hugging Face 推出了 AnySpeechRecognizer 和 AnyDecisionModel 两个全新的 Swift 软件包，允许开发者直接在苹果设备上运行开源语音识别和决策模型。这里最重大的变革是推理引擎与 API 的解耦：开发者现在无需重写应用逻辑，即可将苹果的专有模型替换为诸如英伟达（NVIDIA）的 Parakeet 或阿里巴巴的 Qwen3-ASR 等开源替代方案。

发生了什么

根据 Hugging Face 博客，AnySpeechRecognizer 镜像了苹果在 macOS 26 和 iOS 26 中引入的 SpeechAnalyzer API。通过保持接口一致，开发者只需更改转录器的实例化方式，即可更换底层引擎。该软件包支持三个主要引擎：Parakeet v3（英伟达的 0.6B 多语言模型）、Parakeet Ultra（Moondream 的后训练变体）以及 Qwen3-ASR（阿里巴巴的 0.6B 和 1.7B 模型）。这三个模型均运行在定制的 Core ML 运行时上。Parakeet 模型支持实时输入、字词时间戳和置信度分数，而 Qwen3-ASR 由于基于 GPU 的处理速度较慢，更适合文件转录。

该软件包还引入了 SpeakerDiarizer，这是一个在 Core ML 上运行英伟达 Streaming Sortformer 的模块，可同时将语音归属于多达四个说话人——这是苹果框架目前所不具备的功能。Hugging Face 报告称，在 M4 Max Mac Studio 上，Parakeet 可以在 20 到 40 秒内转录一小时的音频文件，内存占用约为 100 MB。不过，博客指出，在 AMI 会议录音上，词错率超过了 23%，这凸显出重叠语音仍然是所有测试引擎面临的一大挑战。

AnyDecisionModel 解决了另一种需求：零样本分类。该软件包不提示大型语言模型并解析文本输出，而是使用决策模型返回结构化概率。例如，它可以确定一条消息是否紧急，或者哪个团队应该处理某个工单，返回带有每个选项概率的 Choice 类型，而不是单一的文本字符串。MLX 后端使用单标记（one-token）标签构建提示，并在单次前向传递中读取概率。

为什么这对小型公司构建者很重要

对于小团队来说，将音频发送到云端 API 的成本和延迟是重大的瓶颈。AnySpeechRecognizer 通过实现高质量、私密的端侧转录解决了这个问题。如果您正在构建客户支持工具或现场服务应用，您现在可以在本地处理语音备忘录，从而省去了每分钟的 API 费用并消除了数据隐私顾虑。切换引擎的能力至关重要：如果 Parakeet 难以应对某个特定的口音，您可以切换到支持 30 种语言和 22 种中国方言的 Qwen3-ASR，而无需重构代码库。这种模块化反映了开源代理框架的最佳实践，使您能够在保持类型安全 Swift 接口的同时，掌控推理层。

本周可以做什么

1. 克隆 AnySpeechRecognizer 仓库并在您自己的音频文件上运行 hear 命令行工具，以针对您的特定用例对词错率进行基准测试。
2. 如果您目前正在使用苹果的 SpeechAnalyzer，请创建一个测试分支，将导入替换为 AnySpeechRecognizer 并实例化一个 Parakeet 转录器，以验证其与现有异步序列处理的兼容性。
3. 通过在公司内部的重复性任务（例如对收到的支持工单进行分类）中实现一个简单的分类器来体验 AnyDecisionModel，从而评估基于概率的输出相对于 LLM 文本解析的实用性。

来源

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