En direkt ersättare för Apples transkriberare
Hugging Face publicerade den 29 oktober två Swift-paket för Apples plattformar. AnySpeechRecognizer speglar Apples egna tal-API:er — SpeechAnalyzer, SpeechTranscriber och flera till — men låter utvecklaren välja motorn bakom dem: Apples standard, NVIDIA:s Parakeet eller Alibabas Qwen3-ASR, alla körda lokalt. Det lägger till en SpeakerDiarizer för att knyta tal till talare, och levererar ett kommandoradsverktyg som heter hear.
Det andra paketet, AnyDecisionModel, besvarar ja- eller nej-frågor, flervalsfrågor och skattningsfrågor med typade resultat och sannolikheter. Det läser modellens egna sannolikheter i stället för att tolka genererad text, vilket tar bort en felklass: att en modell svarar i prosa när anroparen ville ha ett värde.
Ordfelfrekvenserna
Författaren, som skriver under namnet mattt, publicerade en tabell över ordfelfrekvenser mätta på LibriSpeech med filer på tre till åtta minuter, på en M4 Max med macOS 27.0.1. På test-clean nådde Parakeet Unified 1,43 procent i filläge och 1,45 procent i direktläge. Parakeet v3 nådde 1,55 procent i filläge och Parakeet Ultra 1,66 procent. Apples egen transkriberare landade på 2,12 procent i filläge.
På den svårare delmängden test-other håller ordningen: Parakeet Unified på 2,19 procent i filläge, Parakeet Ultra på 2,55, Parakeet v3 på 2,78 och Apples transkriberare på 3,97 procent. Inlägget ger inga siffror för Qwen3-ASR eller för Apples direktläge, så ingen av dem kan placeras i den rangordningen.
Det här är en utvecklares mätningar på en enda maskin, och inlägget säger det själv. Det är ingen oberoende utvärdering, och den som skrivit paketen har intresse av att bytet ska vara värt något.
Där alla faller
Den mest användbara siffran i inlägget är den ingen vinner. På mötesinspelningar ur AMI-materialet, där talare pratar i mun på varandra, hamnade varje testad motor över 23 procents ordfelfrekvens. Det är avståndet mellan att läsa in en ljudbok och att transkribera ett möte, och det har inte krympt.
Diariseringen följer upp till fyra talare, även när de överlappar, med NVIDIA:s Sortformer-modeller, och körs vid sidan av en transkriberare från Apple eller Parakeet.
Licenser och storlek
Modellerna har olika villkor. Parakeet TDT v3 och Parakeet Ultra är på 0,6 miljarder parametrar under CC BY 4.0; Parakeet Unified EN är på 0,6 miljarder under NVIDIA:s öppna modellicens; Qwen3-ASR finns i 0,6 och 1,7 miljarder under Apache 2.0. Sortformer 4spk v2 är CC BY 4.0 och v2.1 ligger under NVIDIA-licensen. Beslutshuvudet Clef-Flash är på 9 miljarder parametrar, utan angiven licens i inlägget.
Nedladdningarna ligger på omkring 600 MB per Parakeet-modell, runt 590 MB för direktkodaren, 0,9 till 2,4 GB för Qwen3-ASR och omkring 250 MB för Sortformer. Fyrabitarsbygget av Clef är 6,2 GB, och dess modellkort rekommenderar minst 16 GB minne.
De praktiska hakarna
Båda paketen kräver Swift 6.2 eller senare och macOS 26 eller iOS 26 eller senare. Parakeet, Sortformer och MLX kräver Apple-kisel. Core AI-backenden kräver Xcode 27 och en OS 27-körmiljö, och MLX-byggstegen kräver Xcodes Swift 6.4 eller senare med Metal-verktygskedjan. AnyDecisionModels CoreAI-egenskap går inte att kombinera med AnySpeechRecognizer alls, på grund av en versionskonflikt i swift-huggingface.
Inlägget noterar också att testerna bara täckte macOS 27, inte en iPhone — vilket är en påtaglig lucka för paket vars uttalade mål inkluderar iOS.
Vad som är värt att följa
Det intressanta här är inte marginalen i mätningen, som i absoluta tal är liten. Det är att ett system-API som Apple levererar nu kan drivas av en öppen modell från en annan leverantör, på användarens egen enhet, utan att programkoden ändras. Om det fortfarande gäller efter Apples nästa operativsystemsläpp är det som bör följas.
