推出AnySpeechRecognizer与AnyDecisionModel：苹果平台上的语音与决策开放模型

苹果平台上的语音识别和决策模型，正在从“只能用苹果自带方案”走向“可自由换引擎”。HuggingFace 博客10月29日发布文章，介绍了两个新的开源 Swift 包：AnySpeechRecognizer 和 AnyDecisionModel。前者封装了苹果在 macOS 26 和 iOS 26 中引入的语音转文字 API SpeechAnalyzer，但把背后的识别引擎变成可选项——除了苹果自带引擎，还能本地运行英伟达的 Parakeet 系列和阿里巴巴的 Qwen3-ASR，并新增说话人分离功能，能区分一段录音里谁在什么时候说话。后者则专注做选择题：支持是/否、多选、评分量表等决策类问题，直接输出带概率的结构化结果，而不是让语言模型“写”出答案。两个包都能从 Hugging Face Hub 下载开放模型并在设备端运行。 这背后的逻辑是：语言模型并非万能。文章举了个客服热线的例子——先要听清客户说了什么（语音识别），再决定把工单转给谁（决策），这两步交给专用模型会比塞给一个大语言模型更快、更便宜、也更准。具体来看，Parakeet v3 能识别25种欧洲语言并自动判断语种，无需传入地区参数；Parakeet Ultra 是 Moondream 在 v3 基础上后训练调优的版本，在作者团队的多数测试中准确率更高；Parakeet Unified 则是英伟达的纯英文版本。三者都跑在包内自建的 Core ML 运行时上，支持文件与实时输入、临时结果、词级时间戳和置信度。Qwen3-ASR 提供0.6B和1.7B两种规模，覆盖30种语言和22种中文方言，包括普通话、粤语、日语和韩语——这些正是 Parakeet 不支持的语种，可自动检测语言或手动指定。代价是 Qwen3-ASR 每段最长40秒只给一个最终结果，没有临时结果、词级时间和置信度，且运行在 GPU 上。对做多语种语音产品的出海开发者来说，这意味着在苹果生态里不必再被单一引擎锁死，按语种和精度需求换模型即可，迁移成本仅是改一行 import 或换一个 transcriber 的构造方式。