两个 Swift 包：在苹果设备上换掉语音与决策引擎

2026 年 10 月 29 日，Mattt 在 Hugging Face 博客上介绍了两个 Swift 包：AnySpeechRecognizer 和 AnyDecisionModel。它们解决的是同一类问题——苹果平台自带了一套 API，但背后只有苹果自己的模型；如果你不想用，过去只能自己重写整条链路。

这两个包的做法是保留 API 形状，把引擎变成可替换的。

AnySpeechRecognizer：保留苹果的语音 API

macOS 26 和 iOS 26 引入了 SpeechAnalyzer，这是苹果新的语音转文字 API。你往里加 SpeechTranscriber、SpeechDetector 之类的模块，喂文件或音频流，再从 async sequence 里读结果。

AnySpeechRecognizer 把这套接口镜像了一遍：

• 默认引擎仍然是苹果的 Speech 框架。
• 换引擎时，通常只需要改 import，再改创建 transcriber 的那一行。
• 目前可选 NVIDIA 的 Parakeet 和阿里巴巴的 Qwen3-ASR，都在本地通过 Core ML 跑。
• 额外加了说话人分离，用来标记谁在什么时候说话。

对已经有代码的人，迁移成本主要在这里：把 import Speech 换成 import AnySpeechRecognizer，然后决定用哪个模型。

模型与数字

博客给的模型分工：

• Parakeet v3 是 NVIDIA 的 Parakeet TDT 0.6B v3，支持 25 种欧洲语言，并且会自动判断听到的是哪种语言，不需要传 locale。
• Parakeet Ultra 是 Moondream 在 v3 上后训练的版本，作者说在大多数测量里更准。
• Parakeet Unified 是 NVIDIA 的英语版本。
• Qwen3-ASR 也能跑，但慢得多，内存要几 GB。

实测环境是 M4 Max Mac Studio、macOS 27.0.1，音频是 LibriSpeech 的 3 到 8 分钟文件。词错误率（WER）的关键几项：

• Parakeet v3 文件转写：test-clean 1.55%，test-other 2.78%。
• 苹果自带 transcriber 文件转写：test-clean 2.12%，test-other 3.97%。
• Parakeet Unified 文件转写：test-clean 1.43%，test-other 2.19%。

速度方面，博客说 Parakeet 处理一小时音频，从文件跑约 20 到 40 秒，实时输入约 1.5 到 2.5 分钟，Core ML 编译后内存约 100 MB。

但作者也给了一个不好看的数字：在 AMI 这种多人抢话的会议录音上，他们测的每个引擎 WER 都超过 23%。也就是说，换个更好的模型，解决不了「多人同时说话」这个场景。

AnyDecisionModel：用概率做决定

第二个包针对的是另一类需求：让模型回答是/否、从几个选项里选一个、或者给一个评分。

常见做法是提示语言模型生成文本，再解析输出。问题是，你只拿到一个答案，看不到模型给各个选项分配的概率。AnyDecisionModel 改成直接从模型的概率里取答案：

• 返回类型化的结果，带概率。
• 支持是/否、多选、评分三种问题。
• 可以跑在设备上的 MLX、Core AI 或 llama.cpp 模型，也可以接 Jev 或 Ollama 的决策模型。
• 两个包都能从 Hugging Face Hub 下载开放模型，在本地运行。

对做客服分流、工单归类、情绪打分这类应用，概率比一段生成文本更有用：你可以设阈值，把「不确定」的样本交给人。

需要保留的地方

• 语音的 WER 数字来自一台 M4 Max 和几个数据集，作者自己说要用自己的硬件和音频重测。
• 目前只在 macOS 27 上测过，没有测 iPhone。
• Parakeet 的「25 种欧洲语言」不等于中文支持；中文场景要单独验证。
• AnyDecisionModel 依赖底层模型本身的质量，概率校准好不好，决定了阈值有没有意义。
• 这是两个开源 Swift 包，不是苹果官方组件；API 形状跟随苹果，但长期兼容性要自己盯。

参考来源

本文基于以下公开报道整理：

• Introducing AnySpeechRecognizer and AnyDecisionModel: Open Models for Speech and Decisions on Apple Platforms — Hugging Face 博客，2026-10-29
• mattt/AnySpeechRecognizer — GitHub 仓库
• mattt/AnyDecisionModel — GitHub 仓库

本文由 AI 辅助整理，事实与引文来自 Hugging Face 博客与两个 GitHub 仓库；未在苹果设备上实测，配图后续补充。