换一行 import，换掉识别引擎
macOS 26 和 iOS 26 引入了苹果新的语音转文字接口 SpeechAnalyzer，设计得不错，但背后只有苹果自己的引擎。Hugging Face 10 月 29 日发布的 AnySpeechRecognizer 照搬了这套接口（SpeechAnalyzer、SpeechTranscriber、AssetInventory 等），默认仍用苹果引擎；代码只用共享接口的话，把 import Speech 换成 import AnySpeechRecognizer 即可，想用别的引擎只改创建转写器那一行。
可选引擎都已转换成 Core ML 发布在 Hub 上：英伟达 Parakeet TDT 0.6B v3（25 种欧洲语言，自动识别语种）、Moondream 在其基础上后训练的 Parakeet Ultra、英语专用的 Parakeet Unified，以及阿里的 Qwen3-ASR 0.6B 和 1.7B。后者覆盖 30 种语言和 22 种中文方言，包括 Parakeet 不支持的普通话、粤语、日语和韩语，但每段最长 40 秒才出一次结果、跑在 GPU 上更慢，更适合转写文件而不是实时输入。苹果接口没有说话人分离，这个包另加了一个基于英伟达 Streaming Sortformer 的模块，最多区分 4 个说话人，能把每个带时间戳的词归到具体的人。模型只在应用请求时下载：每个 Parakeet 约 600 MB，Qwen3-ASR 0.9–2.4 GB，Sortformer 约 250 MB。
作者用 M4 Max Mac Studio 测了 3–8 分钟的 LibriSpeech 录音：从文件转写时，test-clean 上 Parakeet Unified 词错率 1.43%、Parakeet v3 1.55%，苹果自带引擎 2.12%；Parakeet 转写一小时音频约需 20–40 秒，编译后内存约 100 MB。坏消息也写得清楚：在多人插话的 AMI 会议录音上，所有引擎词错率都在 23% 以上；目前只在 macOS 27 上测过，还没上 iPhone。
让模型做选择题，而不是写作文
AnyDecisionModel 处理的是另一类常见需求：这条消息急不急、工单该给哪个组、客户有多恼火。常规做法是让语言模型生成一段文字再去解析，只拿到一个答案。这个包改为读取每个候选答案的概率：是否题返回一个概率值，选择题返回选中项、每个选项的概率和一个置信度，选项可以直接是 Swift 枚举。它有六种后端：MLX 本地小模型、带决策头的模型（如 Cloudflare 的 Clef-Flash，4-bit 版下载 6.2 GB，建议 16 GB 内存的 Mac）、macOS 27 / iOS 27 上的 Core AI、llama.cpp、TypeSafe 的托管模型 Jev，以及本地 Ollama。
示例应用 Emoji Magnet 把 343 个表情各问一遍「是否符合描述」：在 M4 Max 上用 MLX 跑 Qwen3 4B，每次前向一次回答 16 题、约 0.45 秒，全部问完约 10 秒。文档也提醒，语言模型给出的原始概率往往过于自信，包里提供了校准和选项轮换去偏；置信度只衡量概率是否集中，不代表答案正确，上线前要用自己的数据测错误率。
对做 Mac 和 iPhone 应用的开发者，这两个包的价值在于把开源语音和分类模型接到苹果原生的写法上，录音不必上传云端；两个仓库都是 Apache-2.0 许可，Hub 上转换后的各模型沿用原始许可，其中 Parakeet Unified 等为英伟达开放模型许可。
via: Hugging Face 博客：Introducing AnySpeechRecognizer and AnyDecisionModel、GitHub：mattt/AnySpeechRecognizer、GitHub：mattt/AnyDecisionModel