Hugging Face presenta dos paquetes de Swift para reconocimiento de voz y toma de decisiones
Publicado
Hugging Face ha detallado AnySpeechRecognizer y AnyDecisionModel, bibliotecas de Swift que permiten a las apps de plataformas de Apple elegir qué motores se encargan de la transcripción y de las preguntas de tipo clasificación.
Hugging Face ha presentado AnySpeechRecognizer y AnyDecisionModel, dos paquetes de Swift que amplían a la voz y a las decisiones el enfoque de AnyLanguageModel, según una entrada del blog de Hugging Face.
AnySpeechRecognizer conserva la API de voz a texto de Apple, pero permite a las apps elegir motores como Parakeet de NVIDIA o Qwen3-ASR de Alibaba en Core ML, y añade diarización de hasta cuatro hablantes.
AnyDecisionModel responde preguntas de sí o no, de opción múltiple y de escala de valoración, y devuelve resultados tipados basados en las probabilidades del modelo en lugar de texto generado.
En pruebas con un único Mac Studio con M4 Max, Parakeet transcribió una hora de audio desde archivo en unos 20 a 40 segundos; por ahora no se ha probado en iPhone.
Por qué importa
Hugging Face afirma que los modelos diseñados para cada tarea pueden ser mejores, más rápidos y más baratos que un solo modelo de lenguaje que haga ambos trabajos.
Afirmaciones y fuentes
- c4
Hugging Face afirma que los modelos diseñados específicamente para el reconocimiento de voz y para las decisiones pueden ser mejores, más rápidos y más baratos que encargar ambas tareas a un modelo de lenguaje.
- c5
Con AnyLanguageModel y swift-huggingface ya en versiones 1.x, Hugging Face afirma que lleva a las tareas de voz y de decisión el mismo patrón de interfaces de Swift conocidas con libertad para elegir modelo.
- c6
AnySpeechRecognizer implementa la nueva API de voz a texto de Apple y permite a los desarrolladores elegir el motor, por ejemplo Parakeet de NVIDIA o Qwen3-ASR de Alibaba ejecutados localmente en Core ML, y además añade diarización de hablantes.
- c7
Para preguntas de sí o no, de opción múltiple y de escala de valoración, AnyDecisionModel ofrece respuestas tipadas con probabilidades, derivadas de las probabilidades del modelo y no de texto generado, y funciona con modelos en el dispositivo mediante MLX, Core AI o llama.cpp, o con modelos de decisión de Jev u Ollama.
- c23
El diarizador de hablantes puede seguir hasta cuatro hablantes, incluso cuando sus voces se superponen, y un componente SpeakerTimeline vincula cada palabra con marca de tiempo a un hablante.
- c25
Hugging Face realizó sus mediciones en un Mac Studio con M4 Max y macOS 27.0.1, usando la herramienta de línea de comandos hear incluida en el paquete.
- c26
Según Hugging Face, Parakeet procesa una hora de audio en unos 20 a 40 segundos al leer un archivo y en unos 1,5 a 2,5 minutos en modo en vivo, mientras que Qwen3-ASR es mucho más lento.
- c27
Hugging Face advierte que las cifras corresponden a una sola máquina y a unos pocos conjuntos de datos, y que hasta ahora sus pruebas se han limitado a macOS 27, todavía sin pruebas en iPhone.
Fuentes originales
Sobre este resumen de IA
Resumen factual original generado con inteligencia artificial por AI Resum a partir de la fuente enlazada.
No se afirma que el editor de la fuente haya revisado, autorizado, licenciado ni respaldado este resumen. El contenido de la fuente y las marcas pertenecen a sus respectivos titulares.
Desliza hacia arriba para siguiente1 / 1