Hugging Face 推出两款用于语音识别与决策的 Swift 软件包

Hugging Face 表示，专门用于语音识别和决策的模型，可能比把这两项工作都交给语言模型更好、更快、更便宜。

Hugging Face 表示，随着 AnyLanguageModel 和 swift-huggingface 均进入 1.x 版本，它正把熟悉的 Swift 接口与自由选择模型相结合的模式扩展到语音和决策任务。

AnySpeechRecognizer 实现了苹果新的语音转文字 API，并允许开发者选择引擎，例如在 Core ML 上本地运行的 NVIDIA Parakeet 或阿里巴巴 Qwen3-ASR，此外还增加了说话人分离功能。

对于是非题、多项选择题和评分量表类问题，AnyDecisionModel 给出带概率的类型化答案，这些答案源自模型概率而非生成的文本；它可通过 MLX、Core AI 或 llama.cpp 使用设备端模型，也可使用 Jev 或 Ollama 的决策模型。

说话人分离器最多可跟踪四名说话人，包括语音重叠的情况；SpeakerTimeline 组件会将每个带时间戳的词对应到某位说话人。

Hugging Face 在一台运行 macOS 27.0.1 的 M4 Max Mac Studio 上，使用软件包自带的 hear 命令行工具进行了测量。

据 Hugging Face 称，Parakeet 读取文件时处理一小时音频约需 20 至 40 秒，实时模式下约需 1.5 至 2.5 分钟，而 Qwen3-ASR 要慢得多。

Hugging Face 提醒，这些数据仅来自一台机器和少数几个数据集，且目前测试仅限于 macOS 27，尚未在 iPhone 上测试。