Un reemplazo directo del transcriptor de Apple
Hugging Face publicó el 29 de octubre dos paquetes Swift para plataformas de Apple. AnySpeechRecognizer reproduce las propias API de voz de Apple —SpeechAnalyzer, SpeechTranscriber y otras— pero permite a quien programa elegir el motor que hay detrás: el predeterminado de Apple, Parakeet de NVIDIA o Qwen3-ASR de Alibaba, todos ejecutándose localmente. Añade un SpeakerDiarizer para atribuir el habla a cada persona y una herramienta de línea de comandos llamada hear.
El segundo paquete, AnyDecisionModel, responde preguntas de sí o no, de opción múltiple y de escala de valoración con resultados tipados y probabilidades. Lee las propias probabilidades del modelo en vez de analizar el texto generado, lo que elimina una clase de fallo: la de un modelo que responde en prosa cuando quien llama esperaba un valor.
Las tasas de error de palabra
El autor, que firma como mattt, publicó una tabla de tasas de error de palabra medidas sobre LibriSpeech con archivos de tres a ocho minutos, en un M4 Max con macOS 27.0.1. En test-clean, Parakeet Unified logró un 1,43% en modo archivo y un 1,45% en modo en vivo. Parakeet v3 obtuvo un 1,55% en modo archivo y Parakeet Ultra un 1,66%. El transcriptor propio de Apple marcó un 2,12% en modo archivo.
En la partición más difícil, test-other, el orden se mantiene: Parakeet Unified con 2,19% en modo archivo, Parakeet Ultra con 2,55%, Parakeet v3 con 2,78% y el transcriptor de Apple con 3,97%. La publicación no da cifras para Qwen3-ASR ni para el modo en vivo de Apple, así que ninguno de los dos puede situarse en esa clasificación.
Son las mediciones de una persona en una sola máquina, y la publicación lo reconoce. No son una evaluación independiente, y quien escribe los paquetes tiene interés en que el cambio merezca la pena.
Donde fallan todos
La cifra más útil de la publicación es la que no gana nadie. En grabaciones de reuniones del conjunto AMI, donde las personas hablan unas sobre otras, todos los motores probados quedaron por encima de un 23% de tasa de error de palabra. Esa es la distancia entre leer un audiolibro y transcribir una reunión, y no se ha cerrado.
La diarización sigue hasta cuatro hablantes, incluso cuando se solapan, mediante los modelos Sortformer de NVIDIA, y funciona junto a un transcriptor de Apple o Parakeet.
Licencias y tamaño
Los modelos tienen condiciones distintas. Parakeet TDT v3 y Parakeet Ultra son de 0,6B de parámetros bajo CC BY 4.0; Parakeet Unified EN es de 0,6B bajo la Licencia de Modelo Abierto de NVIDIA; Qwen3-ASR viene en 0,6B y 1,7B bajo Apache 2.0. Sortformer 4spk v2 es CC BY 4.0 y la v2.1 está bajo la licencia de NVIDIA. La cabeza de decisión Clef-Flash es de 9B, sin licencia declarada en la publicación.
Las descargas rondan los 600 MB por modelo Parakeet, unos 590 MB para el codificador en vivo, entre 0,9 y 2,4 GB para Qwen3-ASR y unos 250 MB para Sortformer. La versión de 4 bits de Clef ocupa 6,2 GB y su ficha de modelo recomienda al menos 16 GB de memoria.
Las trabas prácticas
Ambos paquetes necesitan Swift 6.2 o posterior y macOS 26 o iOS 26 o posterior. Parakeet, Sortformer y MLX requieren silicio de Apple. El backend de Core AI necesita Xcode 27 y un entorno de ejecución OS 27, y las tareas de compilación de MLX requieren el Swift 6.4 o posterior de Xcode con la cadena de herramientas Metal. La opción CoreAI de AnyDecisionModel no puede combinarse con AnySpeechRecognizer, por un conflicto de versiones de swift-huggingface.
La publicación también señala que las pruebas cubrieron solo macOS 27, no un iPhone, lo que es un hueco relevante para unos paquetes cuyo objetivo declarado incluye iOS.
Qué vigilar
Lo interesante aquí no es el margen del banco de pruebas, pequeño en términos absolutos. Es que una API del sistema que distribuye Apple puede estar respaldada ahora por un modelo abierto de otro fabricante, en el propio dispositivo del usuario y sin cambiar el código de la aplicación. Si eso sigue siendo cierto tras la próxima versión del sistema operativo de Apple es lo que conviene seguir.
