The Pulse
Hugging Face aggiunge modelli aperti per il riconoscimento vocale e le decisioni alle API Swift di Apple
Hugging Face ha annunciato AnySpeechRecognizer e AnyDecisionModel, pacchetti Swift che consentono agli sviluppatori di scegliere i motori di riconoscimento vocale e ottenere decisioni tipizzate basate sulle probabilità sui dispositivi Apple
AI.info Team · Scritto con l’IA · verificato ·
SpeechAnalyzer di Apple offre agli sviluppatori un’API per la trascrizione vocale, ma il suo motore di riconoscimento è solo quello di Apple. La risposta di Hugging Face, annunciata il 29 ottobre, è AnySpeechRecognizer, un pacchetto Swift che mantiene lo schema dell’API aggiungendo la possibilità di scegliere fra più motori, tra cui modelli locali di NVIDIA e Alibaba. Il lancio comprende anche AnyDecisionModel, un pacchetto separato che restituisce scelte tipizzate e probabilità anziché una risposta generata.
AnySpeechRecognizer mantiene la struttura dell’API di Apple
Su macOS 26 e iOS 26, SpeechAnalyzer di Apple accetta file o flussi audio e restituisce i risultati in modo asincrono. AnySpeechRecognizer riproduce la stessa interfaccia, quindi gli sviluppatori che usano l’API condivisa possono passare da uno all’altro cambiando il pacchetto importato; per selezionare un altro motore devono modificare il modo in cui creano il trascrittore. Il framework di Apple rimane l’opzione predefinita.
Le alternative rispondono a esigenze diverse. Parakeet v3 di NVIDIA riconosce 25 lingue europee, mentre Qwen3-ASR di Alibaba supporta 30 lingue, tra cui giapponese e coreano, e 22 dialetti cinesi. Qwen restituisce un risultato finale per segmenti audio fino a 40 secondi, ma non fornisce risultati parziali, indicazioni temporali per le parole né punteggi di confidenza; Hugging Face afferma che è più lento e più adatto ai file che all’audio in diretta.
Per le conversazioni, il pacchetto aggiunge Streaming Sortformer di NVIDIA, che assegna le parole ai rispettivi interlocutori. Hugging Face afferma che il sistema di diarizzazione può seguire fino a quattro persone, anche quando parlano contemporaneamente. I file dei modelli vengono scaricati su richiesta: il post indica circa 600 MB per ciascun modello Parakeet, da 0,9 a 2,4 GB per Qwen3-ASR e circa 250 MB per Sortformer.
Parakeet è in testa nel test su Mac riportato
Hugging Face ha testato il pacchetto vocale su un Mac Studio con M4 Max e macOS 27.0.1, usando file LibriSpeech di durata compresa tra tre e otto minuti. Parakeet Unified ha registrato tassi di errore sulle parole dell’1,43% sul set test-clean e del 2,19% su test-other; il trascrittore di Apple ha ottenuto rispettivamente il 2,12% e il 3,97%. Sono risultati forniti dal creatore del pacchetto, non da un confronto indipendente.
Accanto ai punteggi favorevoli, contano anche i limiti. Hugging Face afferma che le misurazioni riguardano un solo computer e pochi dataset e che ogni motore testato ha superato un tasso di errore sulle parole del 23% nelle registrazioni di riunioni AMI con voci sovrapposte. Il team ha effettuato test solo su macOS 27, non su iPhone; afferma di voler aggiungere altri motori, incluso il supporto a Core AI su macOS 27 e iOS 27.
AnyDecisionModel restituisce probabilità, non testo
Il secondo pacchetto affronta un’esigenza diversa: spesso le app chiedono a un modello linguistico di classificare un ticket, scegliere un reparto o valutare la frustrazione di un cliente, per poi dover analizzare il testo prodotto dal modello. AnyDecisionModel offre invece probabilità per risposte sì o no, risposte tipizzate a scelta multipla e valutazioni su scale ordinate. «Per ciascuno di questi compiti esistono modelli progettati appositamente che sono migliori, più veloci e meno costosi», scrive Mattt nell’annuncio.
AnyDecisionModel offre sei backend: MLX, MLX decision heads, Core AI, llama.cpp, Jev e Ollama. La maggior parte può funzionare localmente, mentre Jev e Ollama possono collegarsi a servizi ospitati. Come esempio di testa decisionale locale, il pacchetto supporta Clef-Flash di Cloudflare; il suo modello a quattro bit richiede un download di 6,2 GB e la scheda del modello raccomanda un Mac con almeno 16 GB di memoria.
Le probabilità restituite non garantiscono la correttezza. Hugging Face avverte che i modelli linguistici possono essere troppo sicuri di sé e che un valore di confidenza riportato misura quanto sono concentrate le probabilità, non se una risposta è corretta. Alcuni backend basati sul token successivo limitano inoltre le scelte a 26 opzioni e le valutazioni a 10 livelli, mentre correggere la distorsione dovuta all’ordine delle opzioni richiede valutazioni aggiuntive.
Un conflitto tra dipendenze tiene ancora separati i pacchetti
Entrambi i pacchetti richiedono Swift 6.2 o versioni successive e macOS 26 o iOS 26 o versioni successive. I runtime di Parakeet e Sortformer e il backend MLX richiedono Apple silicon; Core AI richiede Xcode 27 e un runtime OS 27. Un’altra incompatibilità tra versioni impedisce attualmente agli sviluppatori di combinare il trait CoreAI di AnyDecisionModel con AnySpeechRecognizer: le loro dipendenze richiedono versioni principali incompatibili di swift-huggingface.
La release offre quindi agli sviluppatori per le piattaforme Apple una maggiore scelta in due fasi distinte — la trascrizione audio e le decisioni strutturate — ma non rende tutti i modelli intercambiabili in ogni progetto. Per ora, le evidenze più chiare sulle prestazioni si limitano ai test vocali di Hugging Face su Mac, mentre gli utenti dei modelli decisionali devono verificare la calibrazione delle probabilità sui propri dati.