Hugging Face apresenta dois pacotes Swift para reconhecimento de fala e tomada de decisões
Publicado
A Hugging Face detalhou o AnySpeechRecognizer e o AnyDecisionModel, bibliotecas Swift que permitem a apps das plataformas da Apple escolher quais motores cuidam da transcrição e de perguntas do tipo classificação.
A Hugging Face apresentou o AnySpeechRecognizer e o AnyDecisionModel, dois pacotes Swift que estendem a abordagem do AnyLanguageModel à fala e às decisões, em uma publicação no blog da Hugging Face.
O AnySpeechRecognizer mantém a API de fala para texto da Apple, mas permite que os apps escolham motores como o Parakeet, da NVIDIA, ou o Qwen3-ASR, da Alibaba, no Core ML, e adiciona diarização para até quatro falantes.
O AnyDecisionModel lida com perguntas de sim ou não, de múltipla escolha e de escala de avaliação, retornando resultados tipados com base nas probabilidades do modelo, em vez de texto gerado.
Em testes em um único Mac Studio com M4 Max, o Parakeet transcreveu uma hora de áudio a partir de arquivo em cerca de 20 a 40 segundos; até agora, iPhones não foram testados.
Por que importa
A Hugging Face afirma que modelos criados para cada finalidade podem ser melhores, mais rápidos e mais baratos do que um único modelo de linguagem fazendo as duas tarefas.
Afirmações e fontes
- c4
A Hugging Face afirma que modelos criados especificamente para reconhecimento de fala e para decisões podem ser melhores, mais rápidos e mais baratos do que entregar as duas tarefas a um modelo de linguagem.
- c5
Com o AnyLanguageModel e o swift-huggingface já em versões 1.x, a Hugging Face afirma que está levando para as tarefas de fala e de decisão o mesmo padrão de interfaces Swift conhecidas com liberdade de escolha de modelo.
- c6
O AnySpeechRecognizer implementa a nova API de fala para texto da Apple e permite que os desenvolvedores escolham o motor, por exemplo o Parakeet, da NVIDIA, ou o Qwen3-ASR, da Alibaba, executados localmente no Core ML, além de adicionar diarização de falantes.
- c7
Para perguntas de sim ou não, de múltipla escolha e de escala de avaliação, o AnyDecisionModel fornece respostas tipadas com probabilidades, derivadas das probabilidades do modelo e não de texto gerado, e funciona com modelos no dispositivo via MLX, Core AI ou llama.cpp, ou com modelos de decisão da Jev ou do Ollama.
- c23
O diarizador de falantes consegue acompanhar até quatro falantes, inclusive quando as falas se sobrepõem, e um componente SpeakerTimeline associa cada palavra com marcação de tempo a um falante.
- c25
A Hugging Face fez suas medições em um Mac Studio com M4 Max e macOS 27.0.1, usando a ferramenta de linha de comando hear incluída no pacote.
- c26
Segundo a Hugging Face, o Parakeet processa uma hora de áudio em cerca de 20 a 40 segundos ao ler um arquivo e em cerca de 1,5 a 2,5 minutos no modo ao vivo, enquanto o Qwen3-ASR é muito mais lento.
- c27
A Hugging Face alerta que os números refletem uma única máquina e poucos conjuntos de dados, e que seus testes até agora se limitaram ao macOS 27, ainda sem testes em iPhone.
Fontes originais
Sobre este resumo de IA
Resumo factual original gerado com inteligência artificial pelo AI Resum com base na fonte vinculada.
Não se alega que o editor da fonte tenha revisado, autorizado, licenciado ou endossado este resumo. O conteúdo da fonte e as marcas pertencem aos respectivos titulares.
Deslize para cima para próximo1 / 1