Swift 语音包支持切换多种识别模型

Hugging Face 在 2026 年 10 月 29 日公布了两个 Swift 包：AnySpeechRecognizer 把多种语音识别引擎接到相近的 API 上，AnyDecisionModel 则让模型直接返回选择及其概率。共同思路来自 AnyLanguageModel：接口尽量固定，底层模型可以替换。

它们值得关注的地方，是把接入模型时反复处理的差异收进了库里。但统一接口不等于能力相同，跑分领先也有测试边界。对做 Apple 端应用、转录工具和 AI 功能的开发者，这些边界比模型名单更重要。

换语音引擎，能少改多少代码

AnySpeechRecognizer 仿照 Apple 在 macOS 26 和 iOS 26 引入的 SpeechAnalyzer API，默认仍使用 Apple 自带引擎。已经采用这套共享 API 的团队，可以通过修改 import 切换到该包；选择其他引擎时，再调整转录器的创建方式。

接口可以统一，实时性、语言覆盖和资源开销仍要逐个比较。

原文列出的引擎各有分工：

• NVIDIA 的 Parakeet v3 支持 25 种欧洲语言，并能检测所说的语言。
• Parakeet Ultra 是 Moondream 对 v3 做后训练得到的版本。
• Parakeet Unified 只支持英语。
• Alibaba 的 Qwen3-ASR 覆盖 30 种语言和 22 种中文方言，但速度较慢，只返回最终结果，更适合文件转录。

模型已转换为 Core ML 并发布到 Hugging Face Hub。每个 Parakeet 模型下载约 600 MB，Qwen3-ASR 则为 0.9 至 2.4 GB。许可证包括 CC BY 4.0、Apache 2.0 和 NVIDIA Open Model License，具体使用哪个模型，就要核对它对应的许可。

新增的 SpeakerDiarizer 模块基于 NVIDIA Streaming Sortformer，最多追踪四名说话人，支持声音重叠时的识别，并把每个词归到相应的人。Apple 框架没有对应能力。它解决的是「谁说了什么」，但不代表多人会议已经能准确转录。

跑分领先，为什么还不能直接选型

作者在 M4 Max Mac Studio 上测试 LibriSpeech 文件：Parakeet v3 在 clean 集上的词错误率为 1.55%，Apple 转录器为 2.12%；一小时音频从文件处理，耗时约 20 至 40 秒。

这是有测试支撑的结果，但条件很具体。到了 AMI 会议录音，所有受测引擎的词错误率都超过 23%，多人重叠说话仍然困难。

测试只在 macOS 27 上进行，没有 iPhone 数据。不能据此判断手机上的速度、内存占用和持续运行表现，也不能把英语朗读数据集的成绩直接套到中文会议上。作者同样建议使用自己的音频测量。

让模型做判断，为什么不先生成一段话

AnyDecisionModel 选择了另一条输出路径：读取模型概率，直接返回判断结果，省去先生成文本、再解析答案的步骤。

它可以返回 yes/no 问题的概率、带有各选项概率的类型化选择，或者量表评分。每个答案还附带基于熵的置信度。这里的熵，可以理解为概率分布有多分散；模型越集中地偏向一个答案，表现出的确定性越高，但这不保证答案正确。

它提供六种后端：MLX、MLX decision heads、Core AI、llama.cpp、Jev 和 Ollama。本地 next-token 后端最多支持 26 个选项，评分最多支持 10 个等级。

原文还列出 Cloudflare 的 Clef-Flash：一个带有训练过的决策头的 9B 模型，通过 MLX decision-head 后端运行。其 4-bit 版本下载量为 6.2 GB，模型卡建议至少配备 16 GB 内存。

概率也需要修正。语言模型可能过度自信，还可能偏爱排在特定位置的选项，因此包提供了校准和选项顺序去偏设置。原文没有给出这些设置改善准确率的对照数据。

我的判断

我认可把引擎差异封装起来的方向，它能降低替换模型时的接入成本。AnyDecisionModel 直接返回类型化结果，也有利于减少答案解析工作。不过，与常见的生成 JSON 再校验相比，原文没有证明它在准确率、延迟或整体成本上更优。

模型给出的置信度，不能直接当成业务正确率。

落地还有明确门槛：两个包都要求 Swift 6.2，以及 macOS 26 或 iOS 26；Parakeet、Sortformer 运行时和 MLX 后端要求 Apple silicon。AnySpeechRecognizer 当前为 0.1.0，AnyDecisionModel 为 0.6.0，仍处于早期阶段。后者的 Core AI trait 暂时还因依赖冲突，无法与 AnySpeechRecognizer 组合使用。

对国内前端和全栈团队，这更适合作为 Apple 客户端方案评估，原文没有提供浏览器或 Node 接入能力。

能拿来做什么

• 做 Mac 转录工具时，可以用自己的录音对比 Apple 引擎和 Parakeet，分别记录词错误率、处理耗时及说话人归属错误。
• 需要中文方言识别时，可以先评估 Qwen3-ASR 的文件转录效果；实时字幕需求还要核对它只返回最终结果的限制。
• 在 Swift 应用中实现分类或量表评分时，可以试用 AnyDecisionModel，并用带标准答案的数据检查校准效果，同时交换选项顺序观察结果是否稳定。
• 准备把语音识别与决策串起来时，应先验证依赖组合，尤其是 Core AI trait 的已知冲突，再决定接入范围。