Hugging Face、Appleプラットフォーム向けにオープンな音声認識および意思決定モデルを公開

Hugging Faceは、専門的な機械学習機能をAppleデバイスへ直接導入するために設計された2つの新しいオープンソースSwiftパッケージをリリースしました。2026年10月29日に発表されたAnySpeechRecognizerとAnyDecisionModelにより、開発者はmacOS 26およびiOS 26上で高度な音声からテキストへのエンジンや構造化された意思決定モデルをローカルで実行できるようになります。これらのツールは、過去のSwift統合によって確立されたエコシステムを拡張し、特定のタスクにおいてクラウドベースのAPIや汎用言語モデルに対する代替手段を提供します。

何が起きたか

今回のリリースでは、Appleの新規SpeechAnalyzer APIを実装しつつ、基盤となる認識エンジンを開発者が交換できるようにするパッケージ「AnySpeechRecognizer」が導入されました。Apple独自のフレームワークのみに依存するのではなく、ユーザーはNVIDIAのParakeetモデルやAlibabaのQwen3-ASRを選択できます。また、このパッケージにはスピーカー分離（ダイアライゼーション）機能も追加されており、これはAppleのネイティブツールにはない機能で、複数人の会話において誰が話しているかをアプリが識別することを可能にします。すべてのモデルはCore MLを使用してローカルで実行されるため、データのプライバシーとオフラインでの動作能力が保証されます。

同時に、Hugging FaceはAIシステムからの構造化された出力というニーズに対応する「AnyDecisionModel」も立ち上げました。大規模言語モデルにテキストを生成させてそれを解析する代わりに、このパッケージはモデルの確率を利用してはい/いいえの質問、多肢選択クエリ、評価スケールに回答します。Apple Silicon上でのローカル実行向けのMLXに加え、JevやOllamaといったリモートオプションなど、さまざまなバックエンドをサポートしています。このアプローチにより、信頼度スコアが付与された型付きの結果が得られ、脆弱なテキスト解析を行うことなく、厳密なソフトウェアロジックへAIの判断を組み込みやすくなります。

仕組み

AnySpeechRecognizerは、SpeechTranscriberやAssetInventoryなどのモジュールを使用することで、AppleのSpeechフレームワークの構造を反映しています。開発者はHugging Face Hub経由でモデルをインストールし、アセットはリクエスト時にのみダウンロードされます。このパッケージは、25の欧州言語を認識する多言語対応モデルであるNVIDIAのParakeet v3と、中国語標準語（マンダリン）や広東語を含む30言語をカバーするQwen3-ASRをサポートしています。スピーカー識別のためには、最大4人のスピーカーを同時に追跡できるNVIDIAのStreaming Sortformerを統合しています。Core ML変換により、これらのモデルはデバイス上で効率的に実行され、Parakeetはファイルからの1時間分のオーディオ処理を約20〜40秒で行います。

AnyDecisionModelは、定義されたラベルに対する確率分布として意思決定を扱うことで機能します。開発者がサポート部門の選択などの選択肢を定義すると、モデルは単一のフォワードパスで各オプションの可能性を計算します。ローカル実行では、MLXまたはllama.cppバックエンドを使用し、次のトークンの確率を読み取るか、CloudflareのClefのような訓練済み意思決定ヘッドを利用します。精度向上のため、このパッケージには異なるオプション順序にわたる確率を平均化する回転バイアス補正や、モデルの過信を調整するためのキャリブレーションツールが含まれています。この手法により、テキスト生成と解析に伴う遅延やエラー率を回避し、構造化データ型を即座に取得できます。

主要な詳細

• AnySpeechRecognizerはNVIDIA Parakeet v3、Parakeet Ultra、Alibaba Qwen3-ASRをサポートしており、ほとんどのモデルで自動言語検出が可能です。
• スピーカー分離はNVIDIAのStreaming Sortformerによって処理され、リアルタイムで最大4人の重複するスピーカーを追跡できます。
• AnyDecisionModelは、二択、多肢選択、評価スケールに対して確率および信頼度指標を伴った型付き出力を提供します。
• ローカル実行はMLX、Core AI、またはllama.cppバックエンドに依存し、リモートオプションにはJevおよびOllamaサーバーが含まれます。
• M4 Max Mac Studioでのベンチマークでは、Parakeet Unifiedがクリーン音声テストで1.43%の単語誤り率を達成しました。
• これらのパッケージにはSwift 6.2以降が必要であり、macOS 26およびiOS 26以降と互換性があります。

なぜ重要なのか

Appleプラットフォーム上で構築するエンジニアにとって、これらのパッケージはモジュール化されたローカルAIへの大きな転換点を提供します。APIインターフェースを基盤モデルから切り離すことで、開発者はアプリケーションコードを書き直すことなく、認識エンジンや意思決定ロジックをアップグレードできます。オープンソースモデルが進化する中で、パフォーマンスと精度を維持するためにはこの柔軟性が不可欠です。さらに、これらのモデルをローカルで実行することは外部APIへの依存を減らし、コストを削減するとともに、音声や機密性の高いユーザーデータをクラウドへ送信することを禁止することが多い厳格なデータプライバシー要件へのコンプライアンスを保証します。

専門的な意思決定モデルの導入は、AI統合における一般的な課題である信頼性にも対処します。汎用言語モデルは一貫したフォーマットに苦戦することが多く、実用的なデータを抽出するために複雑な後処理が必要になります。AnyDecisionModelが生確率を使用することで、Swiftの型システムに自然に適合する決定的な構造が提供されます。これにより、開発者は正しいテキスト出力を期待するのではなく、測定可能な信頼度レベルを用いて、チケットの自動ルーティングや感情分析など、より堅牢な機能を構築できます。

できること

• macOS 26またはiOS 26を対象とするプロジェクトで、Swift Package Managerを通じてAnySpeechRecognizerとAnyDecisionModelをインストールしてください。
• 同梱されているhearコマンドライン評価ツールを使用して、特定オーディオデータセットに対しParakeet v3とQwen3-ASRをテストしてください。
• トランスクリバー alongside SpeakerDiarizerモジュールを統合することで、会議アプリにスピーカー分離を実装してください。
• 緊急度検出やカテゴリー分類などの機能において、テキスト解析ロジックをAnyDecisionModelに置き換え、型付き結果を取得してください。
• Emoji Magnetサンプルアプリを試して、MLXバックエンドでのバッチ意思決定クエリの動作を理解してください。
• 本番環境での最適な精度を得るために、別々のデータセットを使用して意思決定モデルをキャリブレーションし、温度およびバイアス設定を調整してください。