Nyhet

Hugging Face lanserar AnySpeechRecognizer och AnyDecisionModel för Apple-plattformar

Hugging Face presenterade den 29 oktober 2026 två nya Swift-paket: AnySpeechRecognizer för tal till text och AnyDecisionModel för ja/nej-, flerval- och betygsfrågor. Paketen låter utvecklare välja modell bakom välbekanta API:er, och modellerna kan laddas ner från Hugging Face Hub och köras på enheten.

Det viktigaste i korthet

• AnySpeechRecognizer implementerar Apples nya tal-till-text-API SpeechAnalyzer (macOS 26 och iOS 26) men låter dig välja igenkänningsmotor, bland annat NVIDIAs Parakeet och Alibabas Qwen3-ASR på Core ML.

• Paketet lägger till talaridentifiering (diarization) med NVIDIAs Streaming Sortformer, som enligt Hugging Face håller reda på upp till fyra talare.

• AnyDecisionModel svarar på ja/nej-, flerval- och betygsfrågor med typade resultat och sannolikheter i stället för genererad text.

• Beslutsmodellerna kan köras lokalt med MLX, Core AI eller llama.cpp, eller via Jev eller Ollama.

• Enligt Hugging Face transkriberar Parakeet en timmes ljud på cirka 20–40 sekunder från fil, mätt på en M4 Max Mac Studio.

• Modellerna har licenserna CC BY 4.0, Apache 2.0 eller NVIDIA Open Model License, beroende på modell.

Vad har hänt

Hugging Face resonerar att språkmodeller bara är en liten del av vad maskininlärning kan göra. För ett supportsamtal, där man först vill veta vad kunden sa och sedan vart samtalet ska skickas, finns enligt bolaget specialiserade modeller som är bättre, snabbare och billigare än en språkmodell. Paketen bygger på samma idé som AnyLanguageModel och swift-huggingface, som nu finns i 1.x-versioner.

AnySpeechRecognizer speglar Apples klasser SpeechAnalyzer, SpeechTranscriber, DictationTranscriber, SpeechDetector och AssetInventory, med Apples ramverk som standardmotor. Om koden använder det gemensamma API:et räcker det att byta import. Vill man använda Parakeet byter man bara hur transkriberaren skapas.

Parakeet v3 är NVIDIAs Parakeet TDT 0.6B v3, som känner igen 25 europeiska språk och avgör själv vilket språk som talas. Parakeet Ultra är Moondreams efterträning av v3 och var enligt Hugging Face mer exakt i de flesta mätningar. Parakeet Unified är NVIDIAs engelskspråkiga variant. Alla tre körs på paketets egen Core ML-miljö med stöd för fil och liveljud, preliminära resultat, ordtider och ordsäkerhet. Qwen3-ASR finns i storlekarna 0,6B och 1,7B, täcker 30 språk och 22 kinesiska dialekter och ger ett slutresultat per segment om upp till 40 sekunder. Den körs på GPU:n, är långsammare och passar enligt Hugging Face bättre för filer än liveinmatning.

SpeakerDiarizer körs vid sidan av en Apple- eller Parakeet-transkriberare på samma tidslinje, och en SpeakerTimeline kopplar varje ord till en talare. Apples ramverk saknar en sådan modul. Hugging Face har konverterat modellerna till Core ML och publicerat dem på Hub. Nedladdning sker först när appen begär det: cirka 600 MB per Parakeet, cirka 590 MB för liveencodern, 0,9–2,4 GB för Qwen3-ASR och cirka 250 MB för Sortformer.

I Hugging Faces mätningar på LibriSpeech-filer om 3–8 minuter fick Parakeet Unified ordfelsfrekvensen 1,43 % på test-clean och 2,19 % på test-other från fil, mot 2,12 % och 3,97 % för Apples transkriberare. På AMI-möten, där deltagarna pratar i mun på varandra, hade alla testade motorer över 23 % ordfel.

AnyDecisionModel härleder varje svar ur modellens sannolikheter. Utvecklaren öppnar en DecisionSession med en text eller JSON och ställer frågor som ger en Double, en Choice eller en Score med sannolikheter och ett konfidensvärde. Frågorna är oberoende av varandra. Som demo visas appen Emoji Magnet, där 343 emojier sorteras efter en fras. Lokalt med MLX tar en grupp om 16 frågor cirka 0,45 sekunder på en M4 Max, och hela passet cirka 10 sekunder.

Paketet kan även köra Cloudflares Clef-Flash (9B), som har ett tränat beslutshuvud. Den 4-bitars modellen är en nedladdning på 6,2 GB, och modellkortet rekommenderar minst 16 GB minne. Lokala backends stöder kalibrering och rotationDebiasing för att motverka att positionen i en lista påverkar svaret.

Vad det betyder för dig i Sverige

Källan tar inte upp Sverige särskilt. Paketen är öppna och modellerna kan laddas ner från Hugging Face Hub, så svenska utvecklare av Apple-appar kan i princip testa dem. SpeechAnalyzer kräver macOS 26 eller iOS 26, och mätningarna gjordes på macOS 27. Licensvillkoren skiljer sig mellan modellerna, så de bör läsas före kommersiell användning. Om svenska ingår bland Parakeet v3:s 25 europeiska språk eller Qwen3-ASR:s 30 språk anger källan inte.

Det här vet vi inte än

Hugging Face har hittills bara testat på macOS 27, inte på iPhone. Siffrorna kommer från en enda maskin och några få dataset, och bolaget uppmanar läsare att mäta med egen hårdvara och eget ljud. Om svenskt tal fungerar bra framgår inte. Hugging Face säger att fler motorer ska läggas till, bland annat Core AI på macOS 27 och iOS 27, men anger ingen tidplan. Clef-backenden stöder bara text och JSON, inte bild och video.