Se han anunciado dos nuevos paquetes de código abierto, AnySpeechRecognizer y AnyDecisionModel, para ampliar las capacidades de aprendizaje automático en las plataformas de Apple más allá de los modelos de lenguaje estándar. Mientras que los grandes modelos de lenguaje gestionan la generación de texto, estas nuevas herramientas ofrecen soluciones especializadas, más rápidas y rentables para tareas de reconocimiento de voz y toma de decisiones directamente dentro de aplicaciones Swift.
AnySpeechRecognizer se basa en la API SpeechAnalyzer introducida en macOS 26 e iOS 26, permitiendo a los desarrolladores sustituir el motor predeterminado de Apple por modelos abiertos de terceros. El paquete admite la serie Parakeet de NVIDIA, incluida la versión políglota Parakeet v3 que reconoce 25 idiomas europeos, y Qwen3-ASR de Alibaba, que cubre 30 idiomas y 22 dialectos chinos. A diferencia del marco nativo de Apple, AnySpeechRecognizer también introduce capacidades de diarización de hablantes utilizando los modelos Streaming Sortformer de NVIDIA, lo que permite a las aplicaciones rastrear hasta cuatro hablantes simultáneamente incluso durante el habla superpuesta.
El paquete refleja la estructura del framework Speech de Apple, lo que significa que los desarrolladores pueden cambiar de motor modificando únicamente la declaración de importación y la inicialización del modelo. Los modelos se convierten al formato Core ML y se alojan en Hugging Face Hub, con las descargas gestionadas mediante AssetInventory para garantizar que los activos se instalen solo cuando sea necesario. Las pruebas de rendimiento realizadas en un Mac Studio M4 Max ejecutando macOS 27 mostraron que Parakeet Unified logró una tasa de error de palabras del 1,43% en archivos de prueba limpios, superando al transcriptor predeterminado de Apple en escenarios específicos. Sin embargo, la transcripción en vivo generalmente resultó en tasas de error más altas en comparación con el procesamiento de archivos.
AnyDecisionModel aborda la necesidad de una toma de decisiones estructurada, como clasificar tickets de soporte o medir la satisfacción del cliente, sin depender del análisis de generación de texto. En lugar de generar texto libre, el paquete deriva respuestas de las probabilidades del modelo, devolviendo resultados tipificados con puntuaciones de confianza y distribuciones de probabilidad para cada opción. Admite preguntas de sí o no, selecciones de opción múltiple y escalas de calificación a través de una API basada en sesiones que mantiene un único estado de texto o JSON.
El paquete de decisiones ofrece seis backends diferentes para ejecutar modelos local o remotamente. Las opciones locales incluyen MLX para silicio de Apple, Core AI para macOS 27 e iOS 27, y llama.cpp mediante modelos GGUF. Para soluciones alojadas, se integra con la API Jev de TypeSafe y servidores Ollama. Una característica notable es el soporte para cabezales de decisión especializados, como el modelo Clef-Flash de Cloudflare, que utiliza un cabezal entrenado para generar decisiones en una sola pasada directa en lugar de depender de las probabilidades del siguiente token.
Ambos paquetes requieren Swift 6.2 o posterior y son compatibles con macOS 26/iOS 26 o versiones más nuevas. Si bien AnySpeechRecognizer requiere silicio de Apple para sus tiempos de ejecución Parakeet y Sortformer, los backends locales de AnyDecisionModel también dependen de arquitecturas de hardware específicas. Los desarrolladores pueden agregar las bibliotecas a sus proyectos mediante Swift Package Manager, con ejemplos detallados y flujos de trabajo de conversión disponibles en sus respectivos repositorios de GitHub.
Fuentes: Hugging Face Blog.