Dois novos pacotes de código aberto, AnySpeechRecognizer e AnyDecisionModel, foram anunciados para estender as capacidades de aprendizado de máquina nas plataformas Apple além dos modelos de linguagem padrão. Enquanto os grandes modelos de linguagem lidam com a geração de texto, essas novas ferramentas fornecem soluções especializadas, mais rápidas e mais econômicas para tarefas de reconhecimento de fala e tomada de decisão diretamente dentro de aplicativos Swift.
O AnySpeechRecognizer constrói sobre a API SpeechAnalyzer introduzida no macOS 26 e iOS 26, permitindo que os desenvolvedores substituam o motor padrão da Apple por modelos abertos de terceiros. O pacote suporta a série Parakeet da NVIDIA, incluindo o Parakeet v3 poliglota, que reconhece 25 idiomas europeus, e o Qwen3-ASR da Alibaba, que cobre 30 idiomas e 22 dialetos chineses. Diferentemente do framework nativo da Apple, o AnySpeechRecognizer também introduz capacidades de diarização de falantes usando os modelos Streaming Sortformer da NVIDIA, permitindo que os aplicativos rastreiem até quatro falantes simultaneamente, mesmo durante fala sobreposta.
O pacote espelha a estrutura do framework Speech da Apple, o que significa que os desenvolvedores podem alternar entre motores alterando apenas a declaração de importação e a inicialização do modelo. Os modelos são convertidos para o formato Core ML e hospedados no Hugging Face Hub, com downloads gerenciados via AssetInventory para garantir que os ativos sejam instalados apenas quando necessários. Benchmarks de desempenho realizados em um Mac Studio M4 Max executando macOS 27 mostraram que o Parakeet Unified alcançou uma taxa de erro de palavras de 1,43% em arquivos de teste limpos, superando o transcritor padrão da Apple em cenários específicos. No entanto, a transcrição ao vivo geralmente resultou em taxas de erro mais altas em comparação com o processamento de arquivos.
O AnyDecisionModel aborda a necessidade de tomada de decisão estruturada, como classificar tickets de suporte ou medir o sentimento do cliente, sem depender da análise de geração de texto. Em vez de gerar texto livre, o pacote deriva respostas das probabilidades do modelo, retornando resultados tipados com pontuações de confiança e distribuições de probabilidade para cada opção. Ele suporta perguntas de sim/não, seleções de múltipla escolha e escalas de classificação por meio de uma API baseada em sessões que mantém um único estado de texto ou JSON.
O pacote de decisão oferece seis backends diferentes para executar modelos localmente ou remotamente. As opções locais incluem MLX para silício Apple, Core AI para macOS 27 e iOS 27, e llama.cpp via modelos GGUF. Para soluções hospedadas, ele se integra com a API Jev da TypeSafe e servidores Ollama. Um recurso notável é o suporte para cabeças de decisão especializadas, como o modelo Clef-Flash da Cloudflare, que usa uma cabeça treinada para produzir decisões em uma única passagem direta, em vez de depender de probabilidades do próximo token.
Ambos os pacotes exigem Swift 6.2 ou posterior e são compatíveis com macOS 26/iOS 26 ou mais recentes. Embora o AnySpeechRecognizer exija silício Apple para seus tempos de execução Parakeet e Sortformer, os backends locais do AnyDecisionModel também dependem de arquiteturas de hardware específicas. Os desenvolvedores podem adicionar as bibliotecas aos seus projetos via Swift Package Manager, com exemplos detalhados e fluxos de trabalho de conversão disponíveis em seus respectivos repositórios no GitHub.
Fontes: Hugging Face Blog.